Odhad hloubky pomocí konvolučních neuronových sítí

Loading...
Thumbnail Image
Date
ORCID
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Táto práca sa zaoberá odhadom hĺbky s použitím konvolučných neurónových sietí. Pre vyriešenie tohto problému je v práci navrhnutý model skladajúci sa z troch častí. Model sa skladá zo siete globálneho kontextu, ktorá odhaduje hrubú štruktúru scény, gradientovej siete, ktorá odhaduje hĺbkové gradienty a zjemňujúcej siete, ktorá na základe výstupov z predchádzajúcich dvoch sietí odhadne konečnú hĺbkovú mapu. Ďalej v práci navrhujem normalizovanú chybovú funkciu na trénovanie neuronových sietí. Použitie tejto chybovej funkcie zlepšuje odhady relatívnej hlbkovej štruktúry scény, za cenu straty informácie o absolutnej hlbke v scéne. 
This thesis deals with depth estimation using convolutional neural networks. I propose a three-part model as a solution to this problem. The model contains a global context network which estimates coarse depth structure of the scene, a gradient network which estimates depth gradients and a refining network which utilizes the outputs of previous two networks to produce the final depth map. Additionally, I present a normalized loss function for training neural networks. Applying normalized loss function results in better estimates of the scene's relative depth structure, however it results in a loss of information about the absolute scale of the scene.
Description
Citation
IVANECKÝ, J. Odhad hloubky pomocí konvolučních neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2016.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Počítačová grafika a multimédia
Comittee
doc. RNDr. Pavel Smrž, Ph.D. (předseda) prof. Ing. Adam Herout, Ph.D. (místopředseda) doc. Mgr. Jaroslav Hrdina, Ph.D. (člen) Ing. Michal Španěl, Ph.D. (člen) prof. Ing. Miroslav Švéda, CSc. (člen) prof. Ing. Tomáš Vojnar, Ph.D. (člen)
Date of acceptance
2016-06-20
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A. Otázky u obhajoby: Na str. 37 uvádíte, že trénování s Vaší normalized loss funkcí vede na ostrost a lokalitu detailů v hloubkové mapě srovnatelnou se současnými metodami. Jak jste toto porovnával? Jak by dopadlo porovnání s přístupy, které využívají CRF? Jak si vysvětlujete rozdíly ve výstupech různě trénovaných sítí, které jsou prezentované na Obr. 5.6? V ostatních experimentech tak zásadní rozdíly mezi loss funkcemi nevycházejí... Vysvětlete, co nám jednotlivé metriky (např. Tab. 5.8) říkají o rozdílech mezi výstupem a anotací?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení
DOI
Collections
Citace PRO