Detekcija in klasifikacija objektov v vodnem okolju s pomočjo konvolucijskih nevronskih mrežAmbrožič, Nejc (Avtor) Kristan, Matej (Mentor) računalniški vidstrojno učenjegloboko učenjekonvolucijske nevronske mrežedetekcija objektovProblematika, ki jo naslavljamo v magistrskem delu, je detekcija objektov s konvolucijskimi nevronskimi mrežami v vodnem okolju za detekcijo nevarnih ovir v realnem času. Zanesljiva in hitra detekcija ovir je osnovni problem avtonomne vožnje. Konvolucijske nevronske mreže so pogosto uporabljene v avtonomnih avtomobilih, v vodnem okolju pa še niso bile temeljito preizkušene. V magistrskem delu analiziramo dve izmed najnovejših konvolucijskih nevronskih mrež za detekcijo in klasifikacijo objektov: YOLO in BlitzNet. Predlagamo modificirano konvolucijsko nevronsko mrežo YoloW in novo podatkovno zbirko za detekcijo objektov v vodnem okolju WODD. Podatkovna zbirka vsebuje 19691 anotiranih ovir, ki se pojavijo v 12168 slikah. Predlagamo tudi prilagojen postopek učenja v podatkovni zbirki z negotovimi učnimi primeri, ki je primeren za učenje konvolucijskih nevronskih mrež na realnih podatkovnih zbirkah. V delu evalviramo delovanje predstavljenih konvolucijskih nevronskih mrež na predlagani podatkovni zbirki. S povečevanjem učne množice se natančnost vseh predstavljenih mrež izboljšuje. Po učenju na celotni testni množici podatkovne zbirke doseže mreža BlitzNet povprečno natančnost 89.68%, YOLO 96.78%, medtem ko naša mreža YoloW doseže 97.72%. Mreža YoloW deluje v realnem času in je sposobna detekcije ovir v povprečno 30.12 slikah na sekundo.20182018-11-26 11:50:03Magistrsko delo/naloga105409VisID: 21243sl