Globoko učenje za segmentacijo in klasifikacijo cestiščaSmole, Tim (Avtor) Skočaj, Danijel (Mentor) nevronske mrežesegmentacijaklasifikacijausmerjanje pozornosticestiščaračunalniški vidEden izmed problemov, s katerim se srečujejo vzdrževalci cestišč, je zahteva po rednem posodabljanju evidence o kvaliteti vozišč. Podatke o poškodbah trenutno beležijo ročno, kar pa je časovno zamudno in pogosto nekonsistentno. V nalogi smo s tem razlogom predstavili pristop k podobnemu problemu, kjer namesto poškodovanosti vozišča avtomatično določamo tip površine. Za reševanje tega problema smo uporabili klasifikacijsko umetno nevronsko mrežo, ki temelji na arhitekturi ResNet-50. Da pa bi izboljšali njeno uspešnost, smo v vhodne slike vkomponirali informacijo o položaju cestišča, pridobljeno s segmentacijsko mrežo U-Net. Pokazali smo, kako lahko v primeru segmentacije uporabimo informacijo o položaju robov cestišča in slikovnim elementom v neposredni bližini dodelimo večjo utež ter s tem usmerimo pozornost mreže v dele slike, kjer se napake najpogosteje nahajajo. Pokazali smo tudi, kako v primeru delno označenih podatkov uporabimo neoznačene dele slike, jim dodelimo nižjo utež in jih nato upoštevamo v času učenja. Primerjali smo tudi dva pristopa k usmerjanju pozornosti klasifikacijskih mrež. Prvi pristop uporablja maskiranje vhodne slike z ničelno vrednostjo, kjer je segmentacijska mreža detektirala ozadje, drugi pa temelji na razširitvi vhodne slike z izhodom segmentacijske mreže. Pokazali smo, da se uporaba informacije o položaju cestišča s pomočjo segmentacije obrestuje, saj se mera uspešnosti F1 pridobljena na testni zbirki poveča iz 0,947 na 0,971, v kolikor uporabimo slednji pristop.20192019-07-16 13:45:04Magistrsko delo/naloga108736sl