Loads of shit
parent
7392ac8755
commit
bf36ae2d52
BIN
diploma.pdf
BIN
diploma.pdf
Binary file not shown.
84
diploma.tex
84
diploma.tex
|
@ -374,8 +374,14 @@ This thesis focuses on this issue and proposes a method for localizing UAVs in t
|
||||||
\bigskip
|
\bigskip
|
||||||
|
|
||||||
%\noindent\textbf{Povzetek:}
|
%\noindent\textbf{Povzetek:}
|
||||||
\noindent V vzorcu je predstavljen postopek priprave diplomskega dela z uporabo okolja \LaTeX. Vaš povzetek mora sicer vsebovati približno 100 besed, ta tukaj je odločno prekratek.
|
\noindent Diplomsko delo se osredotoča na uporabo naprednih nevronskih mrež za lokalizacijo brezpilotnih letalnikov s pomočjo satelitskih slik.
|
||||||
Dober povzetek vključuje: (1) kratek opis obravnavanega problema, (2) kratek opis vašega pristopa za reševanje tega problema in (3) (najbolj uspešen) rezultat ali prispevek diplomske naloge.
|
V uvodu je predstavljena osnovna terminologija in koncepti s področja nevronskih mrež.
|
||||||
|
V metodološkem delu so podrobno razložene konvolucijske nevronske mreže, transformerska arhitektura ter njeni derivati, kot sta Vision Transformer (ViT) in Piramidni vision transformer (PVT).
|
||||||
|
Posebno pozornost je namenjena Siamski nevronski mreži, ki je ključna za primerjavo vzorcev med satelitskimi in dronskimi slikami.
|
||||||
|
Podatkovna množica, uporabljena za učenje in testiranje, vključuje slike brezpilotnega letalnika in satelitske slike.
|
||||||
|
V razdelku rezultatov so predstavljene ključne faze implementacije, učenja modela, izbire kriterijske funkcije ter različne optimizacijske strategije, kot je uporaba Stratificiranega Vzorčenja.
|
||||||
|
Poudarjena je tudi vloga Hanningovega okna in regularizacijskih tehnik, kot je izpuščanje nevronov.
|
||||||
|
Delo zaključuje s sklepnimi ugotovitvami, ki poudarjajo potencial in učinkovitost predlagane metode za natančno lokalizacijo brezpilotnih letalnikov.
|
||||||
|
|
||||||
\bigskip
|
\bigskip
|
||||||
|
|
||||||
|
@ -397,8 +403,14 @@ Dober povzetek vključuje: (1) kratek opis obravnavanega problema, (2) kratek op
|
||||||
\bigskip
|
\bigskip
|
||||||
|
|
||||||
%\noindent\textbf{Abstract:}
|
%\noindent\textbf{Abstract:}
|
||||||
\noindent This sample document presents an approach to typesetting your BSc thesis using \LaTeX.
|
\noindent The thesis focuses on the use of advanced neural networks for the localization of drones using satellite imagery.
|
||||||
A proper abstract should contain around 100 words which makes this one way too short.
|
In the introduction, foundational terminology and concepts from the realm of neural networks are presented.
|
||||||
|
The methodology section provides a detailed exploration of convolutional neural networks, transformer architecture, and its derivatives like the Vision Transformer (ViT) and the Pyramid Vision Transformer (PVT).
|
||||||
|
Particular emphasis is given to the Siamese Neural Network, which is pivotal for comparing patterns between satellite and drone images.
|
||||||
|
The dataset used for training and testing encompasses drone images and satellite photos.
|
||||||
|
In the results section, key stages of implementation, model training, criterion function selection, and various optimization strategies, such as Stratified Sampling, are discussed.
|
||||||
|
The role of the Hanning window and regularization techniques like dropout is also highlighted.
|
||||||
|
The work concludes with final observations that underscore the potential and efficiency of the proposed method for precise drone localization.
|
||||||
\bigskip
|
\bigskip
|
||||||
|
|
||||||
\noindent\textbf{Keywords:} \tkeywordsEn.
|
\noindent\textbf{Keywords:} \tkeywordsEn.
|
||||||
|
@ -1610,40 +1622,48 @@ Torej, medtem ko je tradicionalna "train-test split" metoda dosegla višjo uspe
|
||||||
V našem primeru se zdi, da stratificirano vzorčenje ponuja bolj robusten in stabilen model za obravnavane satelitske slike.
|
V našem primeru se zdi, da stratificirano vzorčenje ponuja bolj robusten in stabilen model za obravnavane satelitske slike.
|
||||||
Vendar pa je pomembno upoštevati tudi omejitve stratificiranega vzorčenja, kot so omejena generalizacija in potencialne težave pri "out-of-distribution" podatkih.
|
Vendar pa je pomembno upoštevati tudi omejitve stratificiranega vzorčenja, kot so omejena generalizacija in potencialne težave pri "out-of-distribution" podatkih.
|
||||||
|
|
||||||
|
|
||||||
\section{Vpliv velikosti Hanningovega okna na rezultate}
|
\section{Vpliv velikosti Hanningovega okna na rezultate}
|
||||||
|
|
||||||
Velikost Hanningovega okna igra ključno vlogo pri določanju uteži vzorcev. Zaradi narave Hanningove kriterijske funkcije velikost okna neposredno vpliva na razporeditev in obliko uteži, dodeljenih vzorcem v satelitskih slikah.
|
Hanningovo okno, ključni element za določanje uteži vzorcev v satelitskih slikah, se prilagaja glede na svojo velikost.
|
||||||
|
Spreminjanje velikosti okna neposredno vpliva na razporeditev in obliko uteži, kar ima posledično vpliv na kakovost rezultatov.
|
||||||
|
|
||||||
\subsection{Dinamika različnih velikosti Hanningovih oken}
|
\subsection{Dinamika različnih velikosti Hanningovih oken}
|
||||||
|
|
||||||
Ko je velikost okna majhna, bo okno zajelo ožji del vzorcev, kar lahko povzroči težave s povratnim razširjanjem med učenjem modela. Če je obmocje, ki ga pokriva okno, premajhno, kriterijska funkcija ne more efektivno vplivati na celotno mrežo, kar vodi do potencialno slabše uspešnosti modela.
|
Majhna velikost okna omejuje območje vzorcev, ki ga zajema.
|
||||||
Nasprotno, preveliko okno lahko privede do izgube natančnosti. Čeprav kriterijska funkcija zajema širši del vzorcev, lahko pomembni detajli postanejo zamegljeni, kar vodi do manj natančnih rezultatov.
|
Takšna omejitev lahko zmanjša učinkovitost povratnega razširjanja med učenjem modela, saj kriterijska funkcija nima dovolj širokega vpliva na celotno mrežo.
|
||||||
|
Nasprotje predstavlja preveliko okno, ki zajema široko paleto vzorcev. Kljub širšemu zajemu, lahko detajli v sliki postanejo manj opazni, kar zmanjšuje natančnost predikcij.
|
||||||
|
|
||||||
\subsection{Eksperimentalni rezultati}
|
\subsection{Eksperimentalni rezultati}
|
||||||
|
|
||||||
V naših testiranjih smo ugotovili, da je najbolje najti uravnoteženo velikost Hanningovega okna, ki omogoča modelu, da efektivno uči in hkrati ohranja natančnost pri predikcijah. V ta namen smo izvedli več iteracij, kjer smo eksperimentirali z različnimi velikostmi oken.
|
|
||||||
|
|
||||||
\begin{figure}[H]
|
\begin{figure}[H]
|
||||||
\centering
|
\centering
|
||||||
\includegraphics[width=1\textwidth]{./img/plot_different_hann_kernels.png}
|
\includegraphics[width=1\textwidth]{./img/plot_different_hann_kernels.png}
|
||||||
\caption{Primerjava rezultatov ob uporabi razlicnih velikosti Hanningovega okna.}
|
\caption{Primerjava rezultatov ob uporabi različnih velikosti Hanningovega okna.}
|
||||||
\label{fig:plot_different_hann_kernels}
|
\label{fig:plot_different_hann_kernels}
|
||||||
\end{figure}
|
\end{figure}
|
||||||
|
|
||||||
\begin{figure}[H]
|
\begin{figure}[H]
|
||||||
\centering
|
\centering
|
||||||
\includegraphics[width=1\textwidth]{./img/heatmaps3d_1.png}
|
\includegraphics[width=1\textwidth]{./img/heatmaps3d_1.png}
|
||||||
\caption{Primerjava toplotnih map ob uporabi razlicnih velikosti Hanningovega okna.}
|
\caption{Primerjava toplotnih map ob uporabi različnih velikosti Hanningovega okna.}
|
||||||
\label{fig:heatmaps3d_1}
|
\label{fig:heatmaps3d_1}
|
||||||
\end{figure}
|
\end{figure}
|
||||||
|
|
||||||
\begin{figure}[H]
|
\begin{figure}[H]
|
||||||
\centering
|
\centering
|
||||||
\includegraphics[width=1\textwidth]{./img/heatmaps3d_2.png}
|
\includegraphics[width=1\textwidth]{./img/heatmaps3d_2.png}
|
||||||
\caption{Primerjava toplotnih map ob uporabi razlicnih velikosti Hanningovega okna.}
|
\caption{Primerjava toplotnih map ob uporabi različnih velikosti Hanningovega okna.}
|
||||||
\label{fig:heatmaps3d_2}
|
\label{fig:heatmaps3d_2}
|
||||||
\end{figure}
|
\end{figure}
|
||||||
|
|
||||||
|
Eksperimenti so bili izvedeni z različnimi velikostmi oken, da bi ugotovili njihov vpliv na uspešnost modela.
|
||||||
|
Podatki, kažejo optimalno ravnovesje med velikostjo oken in natančnostjo modela.
|
||||||
|
Najboljše uspešnosti so bile dosežene z okni velikosti 31, 33 in 35. Naše ugotovitve sovpadajo s priporočili iz literature, kjer je bila optimalna velikost okna določena na 33.
|
||||||
|
|
||||||
|
Zaključimo lahko, da je izbira prave velikosti Hanningovega okna esencialna za doseganje optimalnih rezultatov.
|
||||||
|
Naše raziskave potrjujejo, da velikost okna 33 zagotavlja najboljše rezultate pri obdelavi satelitskih slik.
|
||||||
|
|
||||||
\section{Regularizacija v modelu z uporabo izpuščanja nevronov}
|
\section{Regularizacija v modelu z uporabo izpuščanja nevronov}
|
||||||
|
|
||||||
\subsection{Izpuščanje nevronov}
|
\subsection{Izpuščanje nevronov}
|
||||||
|
@ -1729,16 +1749,40 @@ Z neuravnovesenim izpuscanjem nevronov & 5.42 & 0.725 & 0.719 \\
|
||||||
|
|
||||||
\chapter{Sklepne ugotovitve}
|
\chapter{Sklepne ugotovitve}
|
||||||
|
|
||||||
Uporaba \LaTeX{a} in \BibLaTeX{a} je v okviru Diplomskega seminarja \textbf{obvezna}!
|
Brezpilotni letalniki predstavljajo revolucionarni korak v tehnologiji, ki je našel svojo uporabo v številnih sektorjih, od vojaških operacij do kmetijskega nadzora.
|
||||||
Izbira -- \LaTeX\ ali ne \LaTeX\ -- pri pisanju dejanske diplomske naloge pa je pre\-pu\-šče\-na dogovoru med diplomantom in njegovim mentorjem.
|
Kljub njihovi široki uporabi pa se soočajo z več ključnimi izzivi, zlasti na področju avtonomne navigacije.
|
||||||
|
V diplomski nalogi smo se osredotočili na raziskovanje in implementacijo metode WAMF-FPI za lokalizacijo brezpilotnih letalnikov na podlagi slik.
|
||||||
|
Spodaj so izpostavljene naše glavne ugotovitve in predlogi:
|
||||||
|
|
||||||
Res je, da so prvi koraki v \LaTeX{}u težavni.
|
\begin{enumerate}
|
||||||
Ta dokument naj služi kot začetna opora pri hoji.
|
\item \textbf{Učinkovitost in natančnost metode}:
|
||||||
Pri kakršnihkoli nadaljnih vprašanjih ali napakah pa svetujemo uporabo Googla, saj je spletnih strani za pomoč pri odpravljanju težav pri uporabi \LaTeX{}a ogromno.
|
Naša implementacija WAMF-FPI je pokazala, da je metoda izjemno obetavna.
|
||||||
|
Ugotovili smo, da je sama arhitektura izredno učinkovita in da lahko zagotovi natančno lokalizacijo brezpilotnih letalnikov tudi v zahtevnih pogojih.
|
||||||
Preden diplomo oddate na sistemu STUDIS, še enkrat preverite, če so slovenske besede, ki vsebujejo črke s strešicami, pravilno deljene in da ne segajo preko desnega roba.
|
\item \textbf{Potencial za izboljšave}:
|
||||||
Poravnavo po vrsticah lahko kontrolirate tako, da izvorno datoteko enkrat testno prevedete z opcijo \texttt{draft}, kar vam pokaže predolge vrstice.
|
Kljub izjemni učinkovitosti metode WAMF-FPI smo identificirali nekaj ključnih področij, kjer bi se lahko izvedle izboljšave.
|
||||||
|
Eden od predlogov je uporaba močnejše nevronske mreže za ekstrakcijo značilnosti.
|
||||||
|
Morda bi bile konvolucijske nevronske mreže novejše generacije ali nekatere druge arhitekture bolj primerne za ta namen.
|
||||||
|
\item \textbf{Optimizacija združevanja značilnosti}:
|
||||||
|
Med našo analizo smo opazili, da bi lahko del združevanja značilnosti optimizirali z uporabo metode pozornosti, kar bi omogočilo še boljše ujemanje med dronskimi in satelitskimi slikami.
|
||||||
|
\item \textbf{Iskanje pripadajoče satelitske slike}:
|
||||||
|
Ena od glavnih težav, s katerimi se metoda še vedno sooča, je identifikacija prave satelitske slike, ki ustreza dronski sliki.
|
||||||
|
To predstavlja izziv, še posebej v bazah z milijoni slik, in je eno od področij, ki zahteva nadaljnje raziskave.
|
||||||
|
\item \textbf{Raziskava različnih kriterijskih funkcij}:
|
||||||
|
V okviru naše analize smo preizkusili več kriterijskih funkcij, vključno s Hanningovo kriterijsko funkcijo, Gaussovo uteženo srednjo kvadratno napako, Hanningovo uteženo srednjo kvadratno napako ter križno uteženo srednjo kvadratno napako.
|
||||||
|
Rezultati so pokazali, da je Hanningova kriterijska funkcija izstopala kot najbolj učinkovita med vsemi preizkušenimi.
|
||||||
|
Te ugotovitve so v skladu z implementacijo in rezultati, predstavljenimi v izbranem članku.
|
||||||
|
\item \textbf{Regularizacija in računske obremenitve}:
|
||||||
|
Ugotovili smo, da ima regularizacija v modelu z uporabo izpuščanja nevronov pomembno vlogo pri preprečevanju prenaučenja.
|
||||||
|
Vendar pa je treba skrbno uravnotežiti med računskimi obremenitvami in natančnostjo modela.
|
||||||
|
\item \textbf{Praktična uporaba}:
|
||||||
|
Naša največja ambicija za prihodnost je preizkusiti metodo WAMF-FPI na dejanskem brezpilotnem letalniku.
|
||||||
|
S tem bi lahko dobili boljšo predstavo o realni učinkovitosti in uporabnosti metode v praksi.
|
||||||
|
\end{enumerate}
|
||||||
|
|
||||||
|
Metoda WAMF-FPI predstavlja pomemben korak naprej v lokalizaciji brezpilotnih letalnikov, še posebej v okoljih, kjer je satelitski signal omejen ali nezanesljiv.
|
||||||
|
Kljub obetavni učinkovitosti metode pa obstajajo še nekateri izzivi in priložnosti za izboljšave.
|
||||||
|
Naša raziskava je postavila trdne temelje za nadaljnji razvoj in implementacijo metode v realnih sistemih brezpilotnih letalnikov.
|
||||||
|
Naslednji koraki bi vključevali nadaljnje optimizacije modela, razširitev podatkovnih zbirk in končno implementacijo na dejanskih brezpilotnih letalnikih.
|
||||||
|
|
||||||
%\cleardoublepage
|
%\cleardoublepage
|
||||||
%\addcontentsline{toc}{chapter}{Literatura}
|
%\addcontentsline{toc}{chapter}{Literatura}
|
||||||
|
|
Binary file not shown.
Before Width: | Height: | Size: 160 KiB After Width: | Height: | Size: 171 KiB |
Loading…
Reference in New Issue