Derin ağ tabanlı iyileştirilmiş stereo eşleştirme
Küçük Resim Yok
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Niğde Ömer Halisdemir Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu tezde, stereo görüntüler kullanılarak gerçek zamanlı eşitsizlik haritaları elde etmek ve eşitsizlik haritalarını düzeltmek amacıyla çeşitli derin öğrenme tabanlı ağ yapıları önerilmiştir. Tez çalışması kapsamında ilk olarak eşitsizlik haritalarının başarısını artırmaya yönelik ağ yapılarının tasrarımları gerçekleştirilmiştir. Bu çalışmalarda eşitsizlik haritalarının düzeltilmesi ve eşleşme maliyetlerinin doğruluğunun artırılması amaçlanmıştır. Sonraki çalışmalarda ise uçtan uca öğrenmeye dayalı tasarımlarla eşitsizlik haritalarının elde edilmesi amaçlanmıştır. Uçtan uca ağ yapıları ile yapılan çalışmaların ilkinde evrişim işlemlerinde kullanılan çekirdek yapılarının stereo eşleştirme problemlerine göre özelleştirilmesiyle bir ağ yapısı oluşturulmuştur. Diğer bir ağ yapısında ise baştan sona öz tasarım ile gerçekleştirilen uçtan uca öğrenme ile eşitsizlik haritası çıkarabilen bir ağ yapısı oluşturulmuştur. Bu ağ yapısında öznitelik çıkarma ve eşleşme maliyetlerinin toplanması adımları için alt ağ yapılarıda önerilmiştir. Ayrıca önerilen bu yöntemlerin tasarımında gerçek zamanlı uygulamalar için uygun çalışma sürelerinin elde edilmesi öncelikli hedef olarak belirlenmiştir. Önerilen yapıların farklı veri kümeleri üzerinde eğitim ve test işlemleri gerçekleştirilmiş olup hem nitel hemde nicel karşılaştırmalar gerçekleştirilerek başarımları değerlendirilmiştir.
In this thesis, various deep learning-based network structures have been proposed to obtain real-time disparity maps using stereo images and to refine disparity maps. Firstly, the accuracy of disparity maps is increased by designing new network structures. In these designs, it is aimed to refine the disparity maps and increase the accuracy of the matching costs. In the following studies, it is aimed to obtain disparity maps with end-to-end learning-based designs. In the designed first end-to-end network structure, a network structure is created by customizing the kernel structures used in convolution operations according to stereo matching problems. In the second structure, a self-designed network structure has been designed to obtain disparity maps. Here, to extract features and aggregate matching costs, different sub-modules are proposed. In addition, the suitable run time for real-time applications is the top priority while designing these proposed methods. Training and testing processes of the proposed structures are carried out on various datasets, and their performance is evaluated by performing both qualitative and quantitative comparisons.
In this thesis, various deep learning-based network structures have been proposed to obtain real-time disparity maps using stereo images and to refine disparity maps. Firstly, the accuracy of disparity maps is increased by designing new network structures. In these designs, it is aimed to refine the disparity maps and increase the accuracy of the matching costs. In the following studies, it is aimed to obtain disparity maps with end-to-end learning-based designs. In the designed first end-to-end network structure, a network structure is created by customizing the kernel structures used in convolution operations according to stereo matching problems. In the second structure, a self-designed network structure has been designed to obtain disparity maps. Here, to extract features and aggregate matching costs, different sub-modules are proposed. In addition, the suitable run time for real-time applications is the top priority while designing these proposed methods. Training and testing processes of the proposed structures are carried out on various datasets, and their performance is evaluated by performing both qualitative and quantitative comparisons.
Açıklama
Fen Bilimleri Enstitüsü, Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı, Elektrik Elektronik Mühendisliği Bilim Dalı
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
