Semantic segmentation of aerial images for mapping terrain passability
Abstract
Tato diplomová práce se zabývá využitím metod hlubokého učení pro sémantickou segmentaci leteckých snímků za účelem mapování průjezdnosti terénu pro mobilní roboty. Práce analyzuje současný stav poznání v oblasti hlubokých neuronových sítí a souvisejících datových sad. Pro účely trénování segmentačního modelu neuronové sítě byla sestavena vlastní datová sada obsahující letecké snímky České republiky a vytvořené pixelové anotace. Na základě těchto dat bylo otestováno několik postupů trénování a byly porovnány modely architektur U-Net, DeepLabV3+ a SegFormer. V rámci experimentů byl rovněž vyhodnocen vliv datové augmentace a předtrénování na proces trénování. Nejvyšší kvality segmentace dosáhl model odvozený od architektury DeepLabV3+, jehož výstup byl transformován do mapy náročnosti terénu. Nad touto mapou byl úspěšně implementován algoritmus A* pro demonstraci plánování trasy mezi zvolenými body.
Keywords
Not available
Specialisations
Similar theses
- Semantic Segmentation of Urban Scene Images Using Recurrent Neural Networks Venkata Satya Sai Ajay Daliparthi · Dalarna University Library · 2020
- Deep learning for semantic segmentation in multimodal medical images : application on brain tumor segmentation from multimodal magnetic resonance imaging Tongxue Zhou · 2022
- Semantic segmentation of 3D medical images with deep learning Olivier Petit · 2021
- Semantic Segmentation of RGB-Z Aerial Imagery Using Convolutional Neural Networks Amber Mulder · Delft University of Technology · 2020
- Semantic segmentation of urban airborne oblique images Li Liu · 2019
- Uncertainty-aware perception, localization and mapping for autonomous driving Kshitij Sirohi · Universitätsbibliothek Freiburg · 2026
