Objektų atpažinimas iš oro darytuose vaizdo srautuose taikant giliojo mokymosi metodus
Mitrofanovas, Justas |
Matuzevičius, Dalius | Recenzentas / Rewiewer |
Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Šiame darbe buvo tiriamos objektų atpažinimo iš oro darytuose vaizdo srautuose, taikant giliojo mokymosi metodus, galimybės. Tikslui pasiekti buvo įvykdyti šie uždaviniai: atlikta objektų iš oro darytuose vaizduose naujausių metodų analitinė apžvalga, atrinkti giliojo mokymosi metodai, perspektyvūs taikyti objektams atpažinti iš oro darytuose vaizdo srautuose, paruoštas duomenų rinkinys eksperimentiniams tyrimams atlikti, įgyvendinti ir eksperimentiškai ištirti atrinkti objektų atpažinimo metodai, ir pateikti tyrimo rezultatai. Dėl nagrinėjamų vaizdų sudėtingumo ir objektų įvairovės, dabartiniams giliojo mokymosi atpažinimo metodams trūksta tikslumo. Šį tikslumą galima tobulinti praplečiant apmokymui naudojama duomenų rinkinį, tačiau tiksliems rezultatams vis tiek reikia naudoti žmogaus intelektą.
This work explored the potential of object recognition in aerial video streams using deep learning techniques. To achieve this goal, the following tasks were performed: an analytical review of state-of-the-art methods for recognizing objects in aerial imagery was conducted, deep learning methods promising for object recognition in aerial imagery were selected, a dataset was prepared for experimental studies, the selected object recognition methods were implemented and experimentally tested, and the results of the study were presented. Due to the complexity of the images considered and the diversity of the objects, current deep learning recognition methods lack accuracy. This accuracy can be improved by extending the dataset used for training, but accurate results still require the use of human intelligence.