“Data exchange” service offers individual users metadata transfer in several different formats. Citation formats are offered for transfers in texts as for the transfer into internet pages. Citation formats include permanent links that guarantee access to cited sources. For use are commonly structured metadata schemes : Dublin Core xml and ETUB-MS xml, local adaptation of international ETD-MS scheme intended for use in academic documents.
Export
Lekić, Vladimir
Obrada signala senzora autonomnih vozila korišćenjem vještačkih neuronskih mreža
Autorstvo-Deliti pod istim uslovima 3.0 (CC BY-SA 3.0)
Dozvoljavate umnožavanje, distribuciju i javno saopštavanje dela, i prerade, ako se navede ime autora na način odredjen od strane autora ili davaoca licence i ako se prerada distribuira pod istom ili sličnom licencom. Ova licenca dozvoljava komercijalnu upotrebu dela i prerada. Slična je softverskim licencama, odnosno licencama otvorenog koda. Osnovni opis Licence: http://creativecommons.org/licenses/by-sa/3.0/rs/deed.sr_LATN Sadržaj ugovora u celini: http://creativecommons.org/licenses/by-sa/3.0/rs/legalcode.sr-Latn
Academic metadata
Doktorska disertacija
Tehničko-tehnološke nauke
Univerzitet u Banjoj Luci
Elektrotehnički fakultet
Other Theses Metadata
Highly-Automated-Vehicle Sensors Signal Processing Using Artificial Neural Networks
Inženjerstvo i tehnologija - Elektrotehnika, elektronika i informaciono inženjerstvo / Engineering and technology - Electrical, electronic and information engineering
Datum odbrane: 8. 6. 2020.
Babić, Zdenka (mentor)
Teslić, Nikola (predsednik komisije)
Muštra, Mario (član komisije)
Risojević, Vladimir (član komisije)
Avramović, Aleksej (član komisije)
U ovoj disertaciji pokazano je da se korišćenjem vještakih neuronskih mreža, dovođenjem senzorskih mjerenja jednog modaliteta na ulaz modela, na izlazu mogu dobiti vještačka senzorska mjerenja drugog modaliteta. Obilježja sadržana u ulaznim signalima na taj način transformišu se u prostor obilježja izlaznog signala. U disertaciji ovaj proces naziva se transformacija obilježja. Osnovni doprinos ove disertacije je novi, nenadgledani metod mašinskog učenja, takozvana uslovna generativna suparnička mreža sa više generatora, koji omogućava ovakvu transformaciju obilježja. Analizom karakteristika senzora i metoda fuzije i interpretacije senzorskih mjerenja, dolazi se do zaključka da se, za nadgledanje okruženja visoko automatizovanih vozila, slike dobijene kamerama koriste kao glavni nosioci semantičkih informacija. Istovremeno, zbog relativno jednostavnog procesa anotacije slika, na raspolaganju stoji veliki broj javno dostupnih anotiranih skupova podataka koji omogućavaju obučavanje algoritama mašinskog učenja visokog kapaciteta. Kamere su, sa druge strane, osjetljive na otežane radne uslove, kao što su loše ili prekomjerno osvjetljenje ili nepovoljne meteorološke pojave, pa je uz njih potrebno koristiti senzore koji se zasnivaju na drugačijem mjernom principu. Radari se zbog visoke pouzdanosti rada u gotovo svim meteorološkim uslovima nameću kao logično riješenje. Medutim, mjerenja radara, za razliku od slika dobijenih kamerom, do sada se nisu pokazala pogodna za prepoznavanje i semantičku klasifikaciju objekata. Upravo radi toga, eksperimentalna analiza, u ovoj disertaciji predloženog metoda transformacije obilježja, izvršena je korišćenjem mjerenja radarskog senzora kao ulaznog signala i slika kao izlaznog signala. Obučena uslovna generativna suparnička mreža sa više generatora, sa predstavljenim novim radarskim mjerenjima na ulazima generatora, u mogućnosti je da generiše vještačke slike, nezavisno od kamera koje eventualno postoje u senzorskoj konfiguraciji visoko automatizovanog vozila. U disertaciji je pokazano da generisane, vještačke slike kvalitativno i kvantitativno sadrže obilježja okruženja detektovana radarom, te da ih je moguće koristiti za semantičku segmentaciju ili regresiju korišćenjem nekih od nadgledanih algoritama mašinskog učenja.
In this dissertation, it is shown that by using arti cial neural networks, based on the inputs of sensor measurements of one modality, at the output it is possible to obtain the artifcial sensor measurements of another modality. This process is called feature transformation, as the features from one feature space are transformed into the features in another feature space. To enable feature transformation, in this dissertation is introduced a new, unsupervised machine learning model, so-called Conditional Multi-Generator Generative Adversarial Network. By analyzing the sensor's characteristics and methods for fusion and interpretation of sensor measurements one easily concludes that for the environment perception of the highly-automated vehicles, images from the cameras are the main semantic information carrier in the system. Due to the simplicity of image annotation, there are many publicly available annotated sets of images that enable the use of high capacity machine learning algorithms, namely deep neural networks. Cameras are on the other side sensitive to bad lighting and harsh weather conditions. Having another type of sensor in the sensor configuration is, therefore, a must. Due to their robustness to almost all weather conditions, radars impose themselves as a natural solution. Radar measurements, on the other hand, are not particularly useful for object detection and semantic classification. Because of this, experimental analysis of, in this dissertation proposed feature transformation method, has been performed using radar measurements as a source feature space and images as target feature space. In this case, a trained neural network with radar measurements at its input can generate a camera-like images at its output. In dissertation is also shown that generated artificial images qualitatively and quantitatively contain the features of the environment detected by the radar and that such images are a good input for the high-capacity machine learning algorithms for semantic segmentation and object detection.
U ovoj disertaciji pokazano je da se korišćenjem vještakih neuronskih mreža, dovođenjem senzorskih mjerenja jednog modaliteta na ulaz modela, na izlazu mogu dobiti vještačka senzorska mjerenja drugog modaliteta. Obilježja sadržana u ulaznim signalima na taj način transformišu se u prostor obilježja izlaznog signala. U disertaciji ovaj proces naziva se transformacija obilježja. Osnovni doprinos ove disertacije je novi, nenadgledani metod mašinskog učenja, takozvana uslovna generativna suparnička mreža sa više generatora, koji omogućava ovakvu transformaciju obilježja. Analizom karakteristika senzora i metoda fuzije i interpretacije senzorskih mjerenja, dolazi se do zaključka da se, za nadgledanje okruženja visoko automatizovanih vozila, slike dobijene kamerama koriste kao glavni nosioci semantičkih informacija. Istovremeno, zbog relativno jednostavnog procesa anotacije slika, na raspolaganju stoji veliki broj javno dostupnih anotiranih skupova podataka koji omogućavaju obučavanje algoritama mašinskog učenja visokog kapaciteta. Kamere su, sa druge strane, osjetljive na otežane radne uslove, kao što su loše ili prekomjerno osvjetljenje ili nepovoljne meteorološke pojave, pa je uz njih potrebno koristiti senzore koji se zasnivaju na drugačijem mjernom principu. Radari se zbog visoke pouzdanosti rada u gotovo svim meteorološkim uslovima nameću kao logično riješenje. Medutim, mjerenja radara, za razliku od slika dobijenih kamerom, do sada se nisu pokazala pogodna za prepoznavanje i semantičku klasifikaciju objekata. Upravo radi toga, eksperimentalna analiza, u ovoj disertaciji predloženog metoda transformacije obilježja, izvršena je korišćenjem mjerenja radarskog senzora kao ulaznog signala i slika kao izlaznog signala. Obučena uslovna generativna suparnička mreža sa više generatora, sa predstavljenim novim radarskim mjerenjima na ulazima generatora, u mogućnosti je da generiše vještačke slike, nezavisno od kamera koje eventualno postoje u senzorskoj konfiguraciji visoko automatizovanog vozila. U disertaciji je pokazano da generisane, vještačke slike kvalitativno i kvantitativno sadrže obilježja okruženja detektovana radarom, te da ih je moguće koristiti za semantičku segmentaciju ili regresiju korišćenjem nekih od nadgledanih algoritama mašinskog učenja.