1. Efficient encoding and decoding of voxelized models for machine learning-based applicationsDamjan Strnad, Štefan Kohek, Borut Žalik, Libor Váša, Andrej Nerat, 2025, original scientific article Abstract: Point clouds have become a popular training data for many practical applications of machine learning in the fields of environmental modeling and precision agriculture. In order to reduce high space requirements and the effect of noise in the data, point clouds are often transformed to a structured representation such as a voxel grid. Storing, transmitting and consuming voxelized geometry, however, remains a challenging problem for machine learning pipelines running on devices with limited amount of on-chip memory with low access latency. A viable solution is to store the data in a compact encoded format, and perform on-the-fly decoding when it is needed for processing. Such on-demand expansion must be fast in order to avoid introducing substantial additional delay to the pipeline. This can be achieved by parallel decoding, which is particularly suitable for massively parallel architecture of GPUs on which the majority of machine learning is currently executed. In this paper, we present such method for efficient and parallelizable encoding/decoding of voxelized geometry. The method employs multi-level context-aware prediction of voxel occupancy based on the extracted binary feature prediction table, and encodes the residual grid with a pointerless sparse voxel octree (PSVO). We particularly focused on encoding the datasets of voxelized trees, obtained from both synthetic tree models and LiDAR point clouds of real trees. The method achieved 15.6% and 12.8% reduction of storage size with respect to plain PSVO on synthetic and real dataset, respectively. We also tested the method on a general set of diverse voxelized objects, where an average 11% improvement of storage space was achieved.
Keywords: voxel grid, feature prediction, tree models, prediction-based encoding, key voxels, residuals, sparse voxel octree
Published in DKUM: 09.01.2025; Views: 0; Downloads: 2
 Full text (20,93 MB) |
2. A case study on entropy-aware block-based linear transforms for lossless image compressionBorut Žalik, David Podgorelec, Ivana Kolingerová, Damjan Strnad, Štefan Kohek, 2024, original scientific article Abstract: Data compression algorithms tend to reduce information entropy, which is crucial, especially in the case of images, as they are data intensive. In this regard, lossless image data compression is especially challenging. Many popular lossless compression methods incorporate predictions and various types of pixel transformations, in order to reduce the information entropy of an image. In this paper, a block optimisation programming framework is introduced to support various experiments on raster images, divided into blocks of pixels. Eleven methods were implemented within , including prediction methods, string transformation methods, and inverse distance weighting, as a representative of interpolation methods. Thirty-two different greyscale raster images with varying resolutions and contents were used in the experiments. It was shown that reduces information entropy better than the popular JPEG LS and CALIC predictors. The additional information associated with each block in is then evaluated. It was confirmed that, despite this additional cost, the estimated size in bytes is smaller in comparison to the sizes achieved by the JPEG LS and CALIC predictors.
Keywords: computer science, information entropy, prediction, inverse distance transform, string transformations
Published in DKUM: 07.01.2025; Views: 0; Downloads: 4
Full text (5,13 MB) |
3. Region segmentation of images based on a raster-scan paradigmLuka Lukač, Andrej Nerat, Damjan Strnad, Štefan Horvat, Borut Žalik, 2024, original scientific article Abstract: This paper introduces a new method for the region segmentation of images. The approach is based on the raster-scan paradigm and builds the segments incrementally. The pixels are processed in the raster-scan order, while the construction of the segments is based on a distance metric in regard to the already segmented pixels in the neighbourhood. The segmentation procedure operates in linear time according to the total number of pixels. The proposed method, named the RSM (raster-scan segmentation method), was tested on selected images from the popular benchmark datasets MS COCO and DIV2K. The experimental results indicate that our method successfully extracts regions with similar pixel values. Furthermore, a comparison with two of the well-known segmentation methods—Watershed and DBSCAN—demonstrates that the proposed approach is superior in regard to efficiency while yielding visually similar results.
Keywords: segment, image analysis, distance metric, Watershed, DBSCAN
Published in DKUM: 05.12.2024; Views: 0; Downloads: 2
 Link to file |
4. Razvoj simulatorja kinematike satelita za zemeljske tirniceJernej Volk, 2024, master's thesis Abstract: V magistrskem delu opišemo postopek izdelave simulatorja kinematike satelita za zemeljske tirnice. Najprej predstavimo teoretično ozadje simulatorja, kamor spada opis vektorja stanja satelita in njegovega spreminjanja skozi čas. V naslednjem poglavju opišemo cilje in arhitekturo programske opreme ter njeno uporabo. V predzadnjem poglavju predstavimo končen produkt tega dela. Prikažemo in obrazložimo grafe, ki prikazujejo potek simulacije. V zaključku povzamemo glavne ugotovitve in predstavimo možnosti za nadalnje delo.
Keywords: simulacija, satelit, vesolje, senzor, aktuator
Published in DKUM: 22.10.2024; Views: 0; Downloads: 24
Full text (1,74 MB) |
5. Obogatitev 3D upodobitve z globalnim osvetlitvenim modelom z uporabo generativnih nasprotniških nevronskih mrežMarko Zmazek, 2024, master's thesis Abstract: V računalniški grafiki je upodabljanje z globalnim osvetlitvenim modelom v realnem času še vedno aktualen izziv. Pri upodabljanju z globalnim osvetlitvenim modelom upodobitev izgleda bolj realistično, saj lahko dodamo učinke, kot sta odboj in lom svetlobe. V magistrskem delu smo implementirali in naučili generativno nasprotniško nevronsko mrežo, da obogati sliko 3D scene z globalnim osvetlitvenim modelom na podlagi slike 3D scene, upodobljene z lokalnim osvetlitvenim modelom, in dodatnih informacij o sceni, ki jih lahko hitro izračunamo že pri uporabi lokalnega osvetlitvenega modela. Ustrezno načrtovana in naučena nevronska mreža lahko na scenah, uporabljenih v fazi učenja, daje rezultate primerljive s klasičnimi metodami upodabljanja z globalnim osvetlitvenim modelom, kot je sledenje potem. Predvsem pa je lahko pri delovanju hitrejša, zato bi se lahko uporabljala za aplikacije v realnem času.
Keywords: računalniška grafika, osvetlitev, generativne nasprotniške nevronske mreže, PyTorch, Blender
Published in DKUM: 19.09.2024; Views: 0; Downloads: 29
Full text (19,56 MB) |
6. |
7. Krajinski elementi v luči ukrepov skupne kmetijske politike : primer Dravske ravniDanijel Ivajnšič, Daša Donša, Damjan Strnad, Igor Žiberna, 2024, independent scientific component part or a chapter in a monograph Abstract: V luči ciljev Skupne kmetijske politike za obdobje 2023–2027 obravnavamo problematiko biodiverzitete agro-ekosistemov, s posebnim poudarkom na Dravski ravni. Mali lesni krajinski elementi lahko pripomorejo k ohranjanju in potencialnemu povečanju biodiverzitete kmetijsko intenzivnih območij. Rezultati razvitega prostorskega modela izpostavijo Dravsko ravan kot območje z visoko prioritetno stopnjo (sicer za Slovenskimi goricami in Savsko ravnjo) za implementacijo prostorskih ukrepov za ohranjanje, predvsem pa revitalizacijo malih lesnih krajinskih elementov. Po drugi strani so neugodno okoljsko stanje na teh območjih povzročili procesi spreminjanja rabe prostora (razdrobitev in zmanjšanje gozdnih zaplat, nastajanje in združevanje njiv ter pozidanih površin) in način upravljanja s kmetijskimi površinami (pretežno intenzivno kmetijstvo). Hkrati se ob vse večji homogenizaciji kmetijske krajine številne dobre kmetijske površine Dravske ravni zaraščajo.
Keywords: Dravsko polje, agro-ekosistemi, daljinsko zaznavanje, prostorsko modeliranje, skupna kmetijska politika
Published in DKUM: 29.07.2024; Views: 100; Downloads: 16
Full text (2,01 MB)
This document has many files! More... |
8. Psevdonaključno vnašanje šuma v Freemanove verižne kode : magistrsko deloLuka Lukač, 2024, master's thesis Abstract: V magistrskem delu predstavljamo metodo za psevdonaključno vnašanje šuma v ravninske geometrijske objekte, opisane z osemsmernimi ali s štirismernimi Freemanovimi verižnimi kodami. Na podlagi definiranih akcij vnašamo šum neposredno v simbole verižnih kod na položajih, izbranih z uporabo enega izmed psevdonaključnih generatorjev števil. Zasnova akcij zagotavlja nespremenljivost topoloških značilnosti geometrijskih objektov. Testiranje metode na naboru raznolikih geometrijskih objektov in ovrednotenje vnesenega šuma z uporabo metrike fraktalne dimenzije potrjujeta uspešnost metode ne glede na značilnosti posameznega geometrijskega objekta.
Keywords: algoritem, psevdonaključni generator, 2D-geometrijski objekt, sprememba oblike, fraktalna dimenzija
Published in DKUM: 11.07.2024; Views: 139; Downloads: 85
Full text (1,93 MB) |
9. Federativno učenje z nevronskimi mrežami : magistrsko deloJaka Čugalj, 2024, master's thesis Abstract: V magistrskem delu raziščemo postopek učenja nevronskih mrež in predstavimo idejo federativnega učenja, ki omogoči sodelovanje več naprav pri učenju enega modela nevronske mreže brez izmenjave učnih primerov. Glavna prednost federativnega učenja je, da naprava svojih lokalnih podatkov ne deli z ostalimi napravami, zato ostanejo zasebni. Preučili smo algoritme federativnega učenja FedSGD, FedAvg, FedProx, SCAFFOLD, FedVARP, ClusterFedVARP in FedRolex, ki na različne načine rešujejo izzive takšnega načina učenja. Prav tako predstavimo novo rešitev, ki komplementarno združi nekatere naštete algoritme tako, da se lahko v nekaterih primerih ob istih pogojih učenje izvaja učinkoviteje. Učinkovitost učenja smo testirali na klasifikacijskem problemu razpoznave ročno napisanih števil podatkovne zbirke MNIST ter problemu napovedovanja naslednje črke v stavku, kjer smo učne primere generirali s pomočjo literarnih del Williama Shakespeara. Izvedli smo analizo vpliva različnih parametrov algoritmov na učenje nevronskih mrež in primerjali vpliv neenakomerne porazdelitve podatkov na hitrost konvergence posameznih algoritmov na različnih podatkovnih zbirkah. Implementirali smo simulator federativnega učenja z uporabniškim vmesnikom, preko katerega lahko uporabnik ureja parametre učnih algoritmov in odjemalcev ter izvaja učenje in testiranje različnih modelov v ločenih nitih.
Keywords: nevronske mreže, federativno učenje, klasifikacija, MNIST, stohastični gradientni spust
Published in DKUM: 01.07.2024; Views: 169; Downloads: 57
Full text (6,46 MB) |
10. Razpoznava drevesnih vrst iz oblakov točk z uporabo globokih nevronskih mrež : magistrsko deloVid Topolovec Klemenčič, 2024, master's thesis Abstract: V magistrskem delu obravnavamo razpoznavo drevesnih vrst iz oblakov točk z uporabo novejših nevronskih mrež in primerjamo uspešnost razpoznave s sorodnimi deli. Razpoznavo smo zasnovali na dva različna načina. Pri prvem načinu smo izbrali in pripravili nevronsko mrežo za obdelavo 3D podatkov oz. oblakov točk, medtem ko smo pri drugem načinu izbrali in pripravili nevronsko mrežo za obdelavo 2D podatkov oz. slik. Pripravili smo tudi skupno podatkovno zbirko z združitvijo prosto dostopnih zbirk, ki vsebujejo posamezna drevesa v obliki oblakov točk, in med učenjem obogatili podatke. Po zaključenem učenju s pripravljeno skupno podatkovno zbirko nismo dosegli podobnih zaključkov kot v primerjanem predhodnem delu. V našem primeru je izbrana nevronska mreža, namenjena obdelavi 3D podatkov, dosegla 4 % višjo skupno točnost od izbrane nevronske mreže, ki je obdelovala 2D podatke.
Keywords: globoke nevronske mreže, klasifikacija drevesnih vrst, 3D oblaki točk, 2D slike, obogatitev podatkov
Published in DKUM: 01.07.2024; Views: 155; Downloads: 45
Full text (16,54 MB)
This document has many files! More... |
