Lernen von Strömungsvisualisierungen aus In-Flight-Bildern mit Tufts
Um Flüssigkeitsströmungen in der Umgebung von Flugsystemen besser zu verstehen, werden oft Draht- oder Seilstreifen, die sogenannten Tufts, verwendet, um die lokale Strömungsrichtung zu visualisieren. In diesem Beitrag wird ein Computer Vision System vorgestellt, das automatisch die Form von Büscheln aus Bildern extrahiert, die während echter Flüge eines Hubschraubers und eines unbemannten Luftfahrzeugs (UAV) aufgenommen wurden. Da Bilder von diesen Flugsystemen sowohl für die modellbasierte Computer Vision als auch für die durchgehend überwachten Deep Learning-Techniken eine Herausforderung darstellen, schlagen wir eine semantische Segmentierungspipeline vor, die aus drei auf Unsicherheit basierenden Modulen besteht, nämlich (a) aktives Lernen für die Objekterkennung, (b) Label Propagation für die Objektklassifizierung und (c) schwach überwachte Instanzsegmentierung. Insgesamt erleichtern diese probabilistischen Ansätze den Lernprozess, ohne dass manuelle Annotationen der semantischen Segmentierungsmasken erforderlich sind. Empirisch begründen wir unsere Design-Entscheidungen durch vergleichende Bewertungen und bieten zum ersten Mal unseres Wissens reale Demonstrationen des vorgeschlagenen Konzepts.
Die Projektwebsite kann über den folgenden Link aufgerufen werden: https://sites.google.com/view/tuftrecognition/home
Lernen von Strömungsvisualisierungen aus In-Flight-Bildern mit Tufts
Lernen von Strömungsvisualisierungen aus In-Flight-Bildern mit Tufts
Um Flüssigkeitsströmungen in der Umgebung von Flugsystemen besser zu verstehen, werden oft Draht- oder Seilstreifen, die sogenannten Tufts, verwendet, um die lokale Strömungsrichtung zu visualisieren. In diesem Beitrag wird ein Computer Vision System vorgestellt, das automatisch die Form von Büscheln aus Bildern extrahiert, die während echter Flüge eines Hubschraubers und eines unbemannten Luftfahrzeugs (UAV) aufgenommen wurden. Da Bilder von diesen Flugsystemen sowohl für die modellbasierte Computer Vision als auch für die durchgehend überwachten Deep Learning-Techniken eine Herausforderung darstellen, schlagen wir eine semantische Segmentierungspipeline vor, die aus drei auf Unsicherheit basierenden Modulen besteht, nämlich (a) aktives Lernen für die Objekterkennung, (b) Label Propagation für die Objektklassifizierung und (c) schwach überwachte Instanzsegmentierung. Insgesamt erleichtern diese probabilistischen Ansätze den Lernprozess, ohne dass manuelle Annotationen der semantischen Segmentierungsmasken erforderlich sind. Empirisch begründen wir unsere Design-Entscheidungen durch vergleichende Bewertungen und bieten zum ersten Mal unseres Wissens reale Demonstrationen des vorgeschlagenen Konzepts.
Die Projektwebsite kann über den folgenden Link aufgerufen werden: https://sites.google.com/view/tuftrecognition/home
Credit: DLR (CC BY-NC-ND 3.0)
Länge: 00:04:26