Združevanje podatkov globinske in črno bele kamere za doseganje hiperločljivosti

Zupan, Urh (avtor), Vrabič, Rok (mentor)

Zaključno delo obravnava gradnjo in proces učenja konvolucijske nevronske mreže, z namenom združevanja podatkov iz črno-bele kamere ter globinske kamere z nizko ločljivostjo. Cilj naloge je na podlagi teh podatkov izdelati globinsko mapo notranjih prizorov z visoko ločljivostjo. Kot primarno arhitekturo konvolucijske nevronske mreže smo uporabili posodobljeno različico arhitekture UNet, ki lahko po posodobitvi sprejme dva vhoda. Z naučenim modelom hočemo dosegati dovolj visoko natančnost izhodne globinske mape ob hitrem računskem času, zato smo morali testirati več arhitektur, katerim smo spreminjali število slojev.

• Jezik: Slovenski jezik
• Ključne besede: strojno učenje, nevronske mreže, konvolucija, podatki, hiperločljivost, UNet arhitektura
• Vrsta gradiva: Magistrsko delo/naloga
• Tipologija: 2.09 - Magistrsko delo
• Organizacija: FS - Fakulteta za strojništvo
• Leto izida: 2024
• Št. strani: XX, 58 str.
• PID: 20.500.12556/RUL-165141
• UDK: 004.8:681(043.2)
• COBISS.SI-ID: 221148419
• Datum objave v RUL: 24.11.2024

ZUPAN, Urh, 2024, Združevanje podatkov globinske in črno bele kamere za doseganje hiperločljivosti [na spletu]. Magistrsko delo. [Dostopano 4 maj 2025]. Pridobljeno s: https://repozitorij.uni-lj.si/IzpisGradiva.php?lang=slv&id=165141

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Combining data from depth and black-and-white cameras to achieve hyperresolution

Izvleček

The thesis discusses the construction and training process of a convolutional neural network aimed at merging data from a black-and-white camera and a low-resolution depth camera. The goal is to create a high-resolution depth map of indoor scenes based on this data. The primary architecture used is an updated version of the UNet architecture, which can accept two inputs after modification. To achieve sufficiently high accuracy of the output depth map while maintaining fast computational time, we tested several architectures while modifying the number of layers.

• Ključne besede: machine learning, neural networks, convolution, data, hyperresolution, UNet architecture