20.500.12556/RUL-133375 Panoptična segmentacija za detekcijo vodnih ovir Panoptic segmentation for maritime obstacle detection V nalogi analiziramo metodo panoptične segmentacije na problemu detekcije vodnih ovir. Panoptična segmentacija je sposobna segmentacije detekcije objektov in segmenatacijo območji, ki jih ni možno opisati kot objekte. Da lahko bolje analiziramo rezultate panoptične segmentacije, smo se odločili za referenco uporabiti kombinacijo metod semantične segmentacije WaSR in segmentacijo primerkov Mask R-CNN. Za učenje metod uporabimo morsko podatkovno množico MaSTr1325, ki je namenjena za semantično segmentacijo, zato jo obdelamo v primerno obliko še za segmentacijo primerkov in panoptično segmentacijo. Analizo rezultatov naučenih metod nato izvedemo na morski podatkovni zbirki MODS z že pripravljenim evalvatorjem. Rezultati evalvacije semantične segmentacije so zelo podobni, kjer se WaSR še vedno rahlo izkaže s 3,1% boljšo oceno F1 v nevarnem območju in 0,3% boljšo oceno v celotnem območju. Pri analizi segmentacije primerkov opazimo, da ni bistvene razlike v oceni F1 med metodama Mask R-CNN in Panoptic-Deeplab, vendar je večji vzrok za to v načinu, kako Panoptic-Deeplab izrisuje očrtane okvirje. Ker se Panoptic-Deeplab izkaže, kot učinkovita metoda z vzporedno vejo detekcije objektov, predlagamo, kot predmet nadaljnjega dela, podobno implementacijo pri metodi WaSR, ki bi dodala možnost izvajanja panoptične segmentacije. In this final thesis we analyse a panoptic segmentation method on a water surface detection problem. Panoptic segmentation is capable of object detection segmentation and segmentation of areas, that can't be classified as objects. So that we can better analyse the results of panoptic segmentation, we decided to use combination of the semantic segmentation method WaSR and instance segmentation Mask R-CNN as a reference. The training of these methods is done on the MaSTr1325 dataset, meant for semantic segmentation, which is why we process it in to appropriate from for instance and panoptic segmentation. Result analysis of the trained methods is done on the MODS dataset with an already prepared evaluator. The results of semantic segmentation are very similar where WaSR still lightly takes the lead with 3,1% F1 score advantage in the danger zone and 0,3% advantage in the entire zone. In the analysis of instance segmentation we notice that there isn't much difference in the F1 score between Mask R-CNN and Panoptic-Deeplab methods, however the main reason for this is due to how Panoptic-Deeplab draws out bounding boxes. Because Panoptic-Deeplab shows as an effective method with a parallel object detection branch, we propose, as a subject of further work, a similar implementation to the WaSR method, adding it the capability of outputting panoptic segmentation. Panoptic-Deeplab WaSR Mask R-CNN MODS vodne ovire vodno avtonomno plovilo Panoptic-Deeplab WaSR Mask R-CNN MODS water obstacles unmanned surface vehicle true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2021-11-24 12:15:00 2021-11-24 12:15:08 2022-09-12 04:16:03 0000-00-00 00:00:00 2021 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 32429 86448899 Nendl_Jure_-_Panopticna_segmentacija_za_detekcijo_vodnih_ovir.pdf Nendl_Jure_-_Panopticna_segmentacija_za_detekcijo_vodnih_ovir.pdf 1 F7494C904EC87149BD3F68203A1A2935 b8fa4c3c50c4b571894c8af7fdfa12909d745524ac3a8a325c05ac6812a8dcd0 b3a277c6-4d17-11ec-abdb-00155dcfd717 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=151393 Fakulteta za računalništvo in informatiko 0 0 0