| Seznam |
| Téma: | Detekce dron pomocí konvolučních neuronových sítí |
|---|---|
| Katedra: | Katedra kybernetiky |
| Vedoucí: | Ing. Matouš Vrba |
| Vypsáno jako: | Diplomová práce, Bakalářská práce, Semestrální projekt |
| Popis: | Použijte konvoluční neuronovou síť pro detekci a sledování drony pomocí RGB kamery, umístěné na palubě letícího UAV. Pro natrénování neuronové sítě je možné použít automatickou anotaci pomocí systému UVDAR (viz http://mrs.felk.cvut.cz/midgard). Implementujte celé řešení tak, aby běželo na palubním počítači UAV. Výsledný algoritmus by měl poskytovat měření detekovaných cílů s nízkým zpožděním, aby jej šlo využít pro sledování cíle kamerou v gimbalu. Vyhodnoťte přesnost, robustnost a obecné vlastnosti výsledného algoritmu. Motivací pro zadání jsou úlohy autonomního odchytu dron (viz http://mrs.felk.cvut.cz/projects/eagle-one) a kooperace mezi dronou a člověkem (viz mrs.felk.cvut.cz/projects/aerial-core). |
| Literatura: | CenterNet detection CNN: X. Zhou, D. Wang and P. Krähenbühl, "Objects as Points", arXiv 1904.07850, 2019.
GOTURN visual tracking CNN: David Held, Sebastian Thrun, and Silvio Savarese, "Learning to track at 100 fps with deep regression networks," ECCV, 2016. MIDGARD dataset: V. Walter, M. Vrba, M. Saska, "Automatic generation of training datasets for machine learning-based visual relative localization of micro-scale UAVs", RA-L, 2020 |