Estimation of gravity direction using a machine learning model trained on imperfect IMU data
Gürültülü sensör verileriyle eğitilmiş bir makine öğrenmesi modeli kullanılarak tek bir görüntü üzerinde yerçekimi yönü tespiti
- Tez No: 527860
- Danışmanlar: DR. ÖĞR. ÜYESİ YAKUP GENÇ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 61
Özet
Yerçekimi yönü tespiti, bilinmeyen bir ortamda kendi kendini konumlandırmanın doğal bir yoludur. Insanlar bu tespiti iç kulak yardımıyla yaparlar. Tek bir görüntü kullanarak yerçekimi yönünü tespit etmekten konulandırmayla bağlantılı bir çok görev yararlanabilir. Bu tür görevlere örnek olarak; sürücüsüz kara araçları ve arttırılmış gerçeklik uygulamaları gösterilebilir. Yerçekimi yönü bilgisini bir tek kare görüntüden çıkarmak için genellikle sahneden bir konumlayıcı nesne kullanılır. Örneğin; trafik ışıkları yerçekimi yönünde konumlanmış olduklarından bu tür bir konumlayıcı olarak kullanılabilir. Konumlayıcı nesneye dayanan yaklaşımlarda, konumlayıcı olarak kullanılmak için elle oluşturulan bir çok örnek sahneye ihtiyaç duyulur. Ancak yeterli miktarda görüntü ve görüntülerin yerçekimi bilgisinden oluşan veri setleri üzerinde makina öğrenmesi teknikleri aracılığıyla konumlayıcılar modellenebilir. Bu tezde klasik görüntü geometrisine dayalı yöntemlerle makina öğrenmesine dayalı yöntemler gerçeklenip karşılaştırılmıştır. Ayrıca tez, yerçekimi tespiti sorununa kendi önerimiz olan bir yaklaşım da içermektedir. Bu yöntemde, bir akıllı telefona entegre Atalet Ölçüm Biriminden gelen okumalar gerçek değer olarak very setinde yer almıştır. Atalet Ölçüm Birimi (IMU), gürültülü algılayıcılar olarak bilinir ve bunlardan elde edilen okumalar kullanılmadan once genellikle kullanılacak uygulamalnın amacına bağlı olarak gürültü giderici işlemlerden geçirilir. Tezde önerilen metod, gürültülü okumalar direkt kullanılarak oluşturulmuş geniş bir veri seti üzerinde Derin Sinir Ağları tabanlı sınıflandırıcı ve regresör ayrı ayrı eğitilerek gerçeklenmiş ve deneysel sonuçlar ayrıntılı olarak sunulmuştur. Sunulan deneysel sonuçlarda Evrişimsel Sinir Ağları yeterli miktarda görüntü üzerinde eğitildiğinde, görüntünün etiketlenmesindeki gürültüden bağımsız olarak yerçekimi yönü tespitini gerçekleştirmenin mümkün olduğu gösterilmiştir. Elde edilen sonuçlar 4 derece doğruluk sağlamaktadır. Bu hata piyasada bulunan akıllı telefon atalet ölçüm birimlerinin hatası içindedir.
Özet (Çeviri)
Direction of gravity is a natural way of orienting oneself in an unknown environment. Human beings do this with equilibrioception. It would be beneficial to estimate the direction of gravity from a single image for many tasks such as autonomous driving and augmented reality where the knowledge of location of the agent is very important. Extracting this knowledge from an image usually requires a reference to be identified. For example, a traffic light can give away the direction of gravity as it has to be placed in an environment in a specific way with respect to the gravity. Reference-based approaches require a lot of hand modeling for solving the problem. When there are a lot of images with ground truth data is available, one can model these references implicitly using machine learning techniques. In this thesis we provide comparison with classical geometry-based approaches and learning-based approaches. We also proposed a method in which estimation direction of gravity is defined as a regression as well as a classification problem. Two main convolutional deep neural network architectures are used as both regressor and classifier by training on a lot of images with corresponding direction of gravity measurements taken from a camera and inertial magnetic unit (IMU) sensors of a smart phone. IMUs are known as noisy sensors which are needed to be refined before being used by applications. We show that if a Convolutional Neural Network (CNN) is trained on enough amount of image data, even in case of images are weakly labeled, it is possible to estimate direction of gravity from a single image. As the results show, the method is able to estimate the gravity direction within 4 degrees. This is within the accuracy of the IMUs available on smart phones.
Benzer Tezler
- Zincir eğrisi ve ivmeölçer kullanarak kamera kalibrasyonu
Camera calibration using catenary and accelerometer
OKAY ARIK
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM
- Visual-inertial sensor fusion for 3D urban modeling
Görsel-ataletsel duyaç tümleştirme kullanılarak şehirlerde 3B modelleme
SALİM SIRTKAYA
Doktora
İngilizce
2013
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH AYDIN ALATAN
- S-Transformasyonu ve yatay kontrol ağlarında deformasyon analizi
S-Transformation and deformation in horizontal control networks
BEDRETTİN BAŞKAYA
- Metocean pushover analysis of a jacket-type offshore platform with different bracing systems
Farklı çapraz sistemli ceket tipi açık deniz petrol platformunun okyanussal yüklerle statik itme analizi
ERDEM EREZ
Yüksek Lisans
İngilizce
2020
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. KADİR ÖZAKGÜL
- Lageos I ve lageos II için doğruluk analizi
Başlık çevirisi yok
GAYE KIZILSU
Doktora
Türkçe
1998
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiÖlçme Tekniği Ana Bilim Dalı
DOÇ. DR. MUHAMMET ŞAHİN