prikaz prve stranice dokumenta Samonadzirano učenje stereoskopske rekonstrukcije
Rad nije dostupan
diplomski rad
Samonadzirano učenje stereoskopske rekonstrukcije
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. urn:nbn:hr:168:710315
Bratulić, Jelena
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Bratulić, J. (2023). Samonadzirano učenje stereoskopske rekonstrukcije (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:710315

Bratulić, Jelena. "Samonadzirano učenje stereoskopske rekonstrukcije." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:710315

Bratulić, Jelena. "Samonadzirano učenje stereoskopske rekonstrukcije." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:710315

Bratulić, J. (2023). 'Samonadzirano učenje stereoskopske rekonstrukcije', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 25.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:710315

Bratulić J. Samonadzirano učenje stereoskopske rekonstrukcije [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2023 [pristupljeno 25.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:710315

J. Bratulić, "Samonadzirano učenje stereoskopske rekonstrukcije", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:710315

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:710315
Podaci o radu
NaslovSamonadzirano učenje stereoskopske rekonstrukcije
Naslov (engleski)Self-supervised learning of stereoscopic reconstruction
AutorJelena Bratulić
MentorSiniša Šegvić (mentor)
Član povjerenstvaSiniša Šegvić (predsjednik povjerenstva)
Član povjerenstvaVladimir Čeperić (član povjerenstva)
Član povjerenstvaŽeljka Mihajlović (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2023-07-13, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Stereoskopska rekonstrukcija je važno i atraktivno područje računalnog vida čije primjene pronalazimo u različitim industrijama, robotici, medicini i autonomnim vozilima. Iako nadzirane metode bazirane na dubokom učenju postižu odlične rezultate, često je vrlo teško i skupo prikupiti stvarne oznake dispariteta ili dubine pa se u posljednje vrijeme naglasak stavlja na samonadzirane metode. U okviru ovog rada, proučili smo nekoliko popularnih samonadziranih metoda za stereoskopsku rekonstrukciju te smo predstavili novu metodu koju nazivamo iterativno pseudolabeliranje ansamabliranjem (IPA). U radu smo detaljno opisali našu metodu, postupke učenja i validiranja hiperparametara. Detaljni eksperimenti koristeći model RAFT Stereo pokazuju iznimno kompetitivne rezultate na skupu podataka KITTI. U radu smo naveli i moguće pravce budućeg istraživanja usmjerene u poboljšanje metode ansambliranja te uključivanje znanja semantičke segmentacije.
Sažetak (engleski)
Stereoscopic reconstruction is a significant and appealing field in computer vision, with wide-ranging applications in industries such as robotics, medicine, and autonomous vehicles. While supervised approaches leveraging deep learning have demonstrated remarkable outcomes, acquiring disparity or depth labels often poses considerable challenges and expenses. As a result, self-supervised methods have recently garnered significant attention. In this Master Thesis, we thoroughly examine several popular self-supervised techniques for stereoscopic reconstruction and introduce a novel approach termed iterative pseudolabeling by ensambling (IPE). Our research delves into the intricate workings of IPE, including the methodology, the process for learning, and the validation of hyperparameters. Through comprehensive experimentation utilizing the RAFT Stereo model, our proposed method showcases exceptionally competitive results on the KITTI dataset. We also highlight potential avenues for future research, focusing on enhancing the ensemble method and incorporating semantic segmentation knowledge. These directions offer opportunities to further advance the effectiveness and applicability of the proposed approach.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:710315
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2023-10-11 08:32:04