Objektituvastus kasutades hajusat 3D-kaamera punktipilve
Nimi
Timo Tiirats
Kokkuvõte
Autonoomsete sõidukite, robootika, targa linna ja paljude sarnaste rakenduste areng suurendab nõudlust täpsemate ja kiiremate raalnägemismudelite järele. Mainitud rakenduste puhul pälvib masinõpe üha enam tähelepanu, võimaldades ümbritsevat keskkonda terviklikumalt mõista. Masinõppemudelite efektiivsuse maksimeerimise eelduseks on töö-kindlate ja täpsete sensorite olemasolu, mille näitena võib tuua ettevõtte LightCode Photonics'i 3D-kaamera.
Magistritöös hinnatakse masinõppepõhise objektituvastuse võimekust linnakeskkonnas kasutades suhteliselt madala ruumilise eraldusvõimega 3D-kaamera andmeid. Töös käsitletud kaamera nurklahutusvõime on väiksem kui paljudel teistel laialdaselt kasutatavatel 3D-sensoritel, mistõttu on varem välja töötatud objektituvastusmudelite rakendamine kaamera andmetel unikaalne ja ettevõttele väärtuslik. Magistritöö põhjal on võimalik järeldada, kui hästi sobib LightCode Photonics'i praeguste spetsifikatsioonidega kaamera masinõppel põhinevatele rakendustele. Lisaks võimaldavad saadud kogemus ning koostatud materjalid edasi arendada ettevõtte objektituvastuse algoritme.
Lõputöö käigus genereeriti CARLA simulaatoris ja annoteeriti uus andmestik, mis kujutab 3D-kaamerat targa linna kasutusjuhul. CARLA simulaatori lähtekoodi muudeti, et tagada võimalikult suur ühtivus simuleeritud ja tegeliku kaamera vahel. Magistritöö viimane osa sisaldab eksperimentide analüüsi genereeritud andmestikule rakendatud PointNet'i semantilise segmenteerimise ja PointPillars'i objektituvastuse mudelite kohta. Loodud andmestik sisaldas 4599 kaadrit, millest 2816 otsustati käesolevas lõputöös kasutada. Andmestikule rakendatud PointNet'i mudeli ennustustäpsus semantiliselt segmenteeritud stseeni puhul sarnanes teiste autorite varasematele tulemustele. PointNet'i mudeliga saavutati keskmine täpsus 44.15%. Seevastu, PointPillars'i mudel uue andmestiku puhul oodatult ei töötanud.
Magistritöös hinnatakse masinõppepõhise objektituvastuse võimekust linnakeskkonnas kasutades suhteliselt madala ruumilise eraldusvõimega 3D-kaamera andmeid. Töös käsitletud kaamera nurklahutusvõime on väiksem kui paljudel teistel laialdaselt kasutatavatel 3D-sensoritel, mistõttu on varem välja töötatud objektituvastusmudelite rakendamine kaamera andmetel unikaalne ja ettevõttele väärtuslik. Magistritöö põhjal on võimalik järeldada, kui hästi sobib LightCode Photonics'i praeguste spetsifikatsioonidega kaamera masinõppel põhinevatele rakendustele. Lisaks võimaldavad saadud kogemus ning koostatud materjalid edasi arendada ettevõtte objektituvastuse algoritme.
Lõputöö käigus genereeriti CARLA simulaatoris ja annoteeriti uus andmestik, mis kujutab 3D-kaamerat targa linna kasutusjuhul. CARLA simulaatori lähtekoodi muudeti, et tagada võimalikult suur ühtivus simuleeritud ja tegeliku kaamera vahel. Magistritöö viimane osa sisaldab eksperimentide analüüsi genereeritud andmestikule rakendatud PointNet'i semantilise segmenteerimise ja PointPillars'i objektituvastuse mudelite kohta. Loodud andmestik sisaldas 4599 kaadrit, millest 2816 otsustati käesolevas lõputöös kasutada. Andmestikule rakendatud PointNet'i mudeli ennustustäpsus semantiliselt segmenteeritud stseeni puhul sarnanes teiste autorite varasematele tulemustele. PointNet'i mudeliga saavutati keskmine täpsus 44.15%. Seevastu, PointPillars'i mudel uue andmestiku puhul oodatult ei töötanud.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Informaatika
Juhendaja(d)
Tambet Matiisen, Jan Bogdanov
Kaitsmise aasta
2023