Ortografinių nuotraukų detalus lyginimas

Ištrauka

Ortografinių nuotraukų detalus lyginimas
Bakalauro baigiamasis darbas

Turinys
ĮVADAS..........................................................................................................................................5
1. NEURONINIAI TINKLAI........................................................................................................6
2. TREJETŲ NEURONINIAI TINKLAI......................................................................................8
3. TYRIME NAUDOTI TINKLAI.............................................................................................10
3.1. CenterNet2..................................................................................................................10
3.2. VGG16..........................................................................................................................11
3.3. ResNet..........................................................................................................................12
3.4. MobileNet....................................................................................................................12
3.5. EfficientNet.................................................................................................................12
3.6. EfficientNetV2............................................................................................................13
3.7. DLA................................................................................................................................13
4. DUOMENŲ RINKINYS........................................................................................................14
4.1. Sentinel2...................................................................................................................14
4.2. Duomenų rinkinio sudarymas...........................................................................16
5. EKSPERIMENTAI.................................................................................................................17
5.1. Trejetų nuotraukų palyginimo tikslumas.....................................................17
5.2. Nuotraukų palyginimo greitis............................................................................19
5.3. Panašumo nustatymas slenkant nuotraukas.............................................20
REZULTATAI..............................................................................................................................23
IŠVADOS.....................................................................................................................................24
ŠALTINIAI...................................................................................................................................25

Įvadas
Šiais laikais vis populiarėja bepiločiai orlaiviai, taip pat vadinami
dronais. Jų panaudojimas yra itin platus – paieškos ir gelbėjimo
operacijose [SKB21], agrikultūroje [MD18], gamtos stebėjimuose
[MMM+18], skubiai transportuojant medicinos priemones [SS17] ir pan.
Kad bepiločiai dronai veiktų sėkmingai, jiems yra svarbu tiksliai žinoti
savo poziciją. Dažniausiai tam yra naudojamas GPS signalas, nes jis gali
greitai ir itin tiksliai nustatyti drono poziciją, aukštj bei greitj. Pagrindinė
problema su GPS, tai kad jis veikia tik esant ryšiui su GPS palydovais.
Nors šiais laikais yra prieinama itin daug skirtingų GPS ryšio tiekėjų (GPS,
GLONASS, BDS, GALILEO, QZSS), ryšys gali nutrūkti tiek dėl natūralių
priežasčių, kaip blogos oro sąlygos, tiek dirbtinai užteršiant ryšj trikdžiais.
Todėl yra naudinga turėti alternatyvius būdus nustatyti drono poziciją.
Vienas iš šių alternatyvių būdų – naudojant drone esančią kamerą
padaryti žemės nuotraukas [JM17]. Šias nuotraukas galima palyginti su
iš anksto jrašytu žemėlapiu, kad nustatyti apytikslę drono poziciją. Šiam
darbui atlikti yra itin tinkami trejetų neuroniniai tinklai, kurių paskirtis yra
lyginti duomenų taškus, šiuo atveju – drono ir žemėlapio nuotraukas.
Kuriant dronus yra itin atsižvelgiama j jų sunaudojamos elektros kiekj,
ir dėl to juose esanti duomenų apdorojimo galia yra ribota. Svarbu,
kad pasirinkti modeliai sunaudotų kuo mažiau elektros ir veiktų
greitai, kad galima būtų nustatyti vietą realiu laiku.
2021ais metais buvo sukurtas naujos rūšies neuroninis tinklas
CenterNet2 [ZKK21]. Skir tingai nuo tradicinių metodų, kuriuose
naudojami inkarai (angl. Anchors), CenterNet2 naudoja pasitikėjimo
šilumos žemėlapj (angl. Confidence heatmap), kad greitai pašalintų
neteisingas prognozes ir taip pagerintų efektyvumą. Taip pat jame
naudojamas naujas algoritmas, vadinamas tikimybiniu dviejų etapų
aptikimu (angl. Probabilistic twostage detectron), kuris gerokai padidina
objektų aptikimo tikslumą ir patikimumą. Jo rezultatai objektų
atpažinime yra itin geri, ir todėl bus tiriama, ar jj jmanoma panaudoti
ir nuotraukų palyginimo užduočiai atlikti.
Šio darbo tikslas – sukonstruoti ir apmokyti trejetų tinklą, paremtą
CenterNet2 neuroninio tinklo baziniais sluoksniais, ir jvertinti jo tikslumą,
efektyvumą, ir panaudojamumą dronuose. Taip pat palyginti su kitais
trejetų tinklais, paremtais plačiai naudojamų tinklų – VGG16, ResNet50,
MobileNet, EfficientNet ir EfficientNetV2 – baziniais sluoksniais.
Keliami šio darbo uždaviniai:
1. Paruošti ortografinių nuotraukų duomenų rinkinj iš Sentinel2 
palydovinių duomenų, kuris bus naudojamas neuroniniams tinklams apmokyti.
2. Sukonstruoti CenterNet2 baziniais sluoksniais paremtą trejetų neuroninj tinklą.
3. Palyginti naujai sukurto tinklo tikslumą ir efektyvumą su kitais 
trejetų tinklais, apmokytais naudojant paruoštą duomenų rinkinj.