| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Iskanje po katalogu digitalne knjižnice Pomoč

Iskalni niz: išči po
išči po
išči po
išči po
* po starem in bolonjskem študiju

Opcije:
  Ponastavi


1 - 10 / 95
Na začetekNa prejšnjo stran12345678910Na naslednjo stranNa konec
1.
Graph Neural Network-Based Method of Spatiotemporal Land Cover Mapping Using Satellite Imagery
Domen Kavran, Domen Mongus, Borut Žalik, Niko Lukač, 2023, izvirni znanstveni članek

Ključne besede: multispectral, Sentinel-2, superpixel, node, EfficientNetV2, GraphSAGE
Objavljeno v DKUM: 23.05.2024; Ogledov: 53; Prenosov: 1
.pdf Celotno besedilo (34,47 MB)
Gradivo ima več datotek! Več...

2.
3.
Učinkovit iterativni algoritem učenja razložljivih značilnic za izboljšano klasifikacijo : doktorska disertacija
Dino Vlahek, 2024, doktorska disertacija

Opis: V doktorski disertaciji opišemo nov postopek učenja razložljivih značilnic za klasifikacijske namene. Značilnice med vsako iteracijo rekombiniramo na osnovi vnaprej podanih aritmetičnih operacij, ocenimo pa jih glede na njihovo primernosti za klasifikacijo. Slednja temelji na prekrivanju porazdelitve verjetnosti med vrednostmi vzorcev, ki pripadajo različnim razredom. Za nadaljnji razvoj v naslednjo iteracijo izberemo podmnožico najbolj kakovostnih nekoreliranih značilnic z uporabo nove metode, ki temelji na rezu grafa. Pri tem se postopek opira na dva vhoda parametra, ki omogočata nadzor nad številom členov izhodnih značilnic. Prvi opisuje minimalno sprejemljivo kakovost značilnic, ki jih je treba vključiti v izhodni prostor značilnic, medtem ko drugi določa najvišjo dovoljeno stopnjo podobnosti med značilnicama. Rezultati pokažejo, da je metoda nizko občutljiva na oba vhodna parametra. Naučene značilnice pa statistično značilno izboljšajo klasifikacijsko točnost vseh testiranih klasifikatorjev, medtem ko najboljše točnosti dosežemo z uporabo klasifikatorja naključnih gozdov. Z rezultati primerjave pokažemo, da je predlagani postopek v vseh testnih primerih dosegal ali presegal klasifikacijske točnosti trenutnega stanje tehnike. Prav tako pokažemo tudi pravilnost razlage naučenih značilnic dobro preučene množice testnih podatkov.
Ključne besede: klasifikacija podatkov, razložljiva umetna inteligenca, učenje značilnic, odkrivanje znanja
Objavljeno v DKUM: 07.05.2024; Ogledov: 74; Prenosov: 18
.pdf Celotno besedilo (1,22 MB)

4.
Postopek zaznave sprememb rabe zemljišč s časovno analizo podatkov daljinskega zaznavanja : magistrsko delo
Sašo Ivič, 2024, magistrsko delo

Opis: Daljinsko zaznavanje je pridobivanje informacij brez fizičnega stika. S pomočjo satelita Sentinel-2, lahko z odbojem elektromagnetnega valovanja pridobimo informacije o površju Zemlje. Preko platforme Copernicus Open Access Hub, ki jo upravlja Evropska vesoljska agencija, lahko brezplačno dostopamo do podatkov satelitov Copernicus od leta 2015 do danes. V magistrskem delu uporabimo satelitske posnetke satelita Sentinel-2, da strojne modele naučimo prepoznavati spremembe na površju Zemlje, v določenem časovnem obdobju. V prvem delu opišemo tehnike daljinskega zaznavanja sprememb na satelitskih slikah. V nadaljevanju opišemo naši dve metodi implementacije zaznave sprememb in ju primerjamo. Ugotovimo, da obe metodi delujeta dobro in s pomočjo modela nevronskih mrež z visoko natančnostjo zaznavata spremembe na površju.
Ključne besede: Zaznava sprememb, Časovna analiza, Sentinel-2, Daljinsko zaznavanje
Objavljeno v DKUM: 01.03.2024; Ogledov: 272; Prenosov: 21
.pdf Celotno besedilo (4,04 MB)

5.
6.
Izdelava modela in animacije delovanja zgodnjega strelnega orožja : diplomsko delo
Izidor Blazinšek, 2023, diplomsko delo

Opis: V diplomskem delu smo v uvodu opisali zgodovino razvoja muškete in jo nato v programu Blender 3D modelirali in ustvarili animacijo njenega strela. Uporabili smo številne modifikatorje in raznovrstne tehnike za ustvarjanje mreže modela. Zanj smo nato ustvarili materiale z realističnim videzom. S pomočjo različnih sistemov delcev smo predstavili delovanje muškete ob strelu, in eksplozijo, ki mu sledi. Vse skupaj smo predstavili v videu, ki prikaže ustvarjen model z animacijo.
Ključne besede: mušketa, modeliranje, animacija, Blender, senčenje
Objavljeno v DKUM: 04.12.2023; Ogledov: 545; Prenosov: 69
.pdf Celotno besedilo (5,47 MB)

7.
Novel Half-Spaces Based 3D Building Reconstruction Using Airborne LiDAR Data
Marko Bizjak, Domen Mongus, Borut Žalik, Niko Lukač, 2023, izvirni znanstveni članek

Opis: Automatic building reconstruction from laser-scanned data remains a challenging research topic due to buildings’ roof complexity and sparse data. A novel automatic building reconstruction methodology, based on half-spaces and a height jump analysis, is presented in this paper. The proposed methodology is performed in three stages. During the preprocessing stage, the classified input point cloud is clustered by position to obtain building point sets, which are then evaluated to obtain half-spaces and detect height jumps. Half-spaces represent the fundamental shape for generating building models, and their definition is obtained from the corresponding segment of points that describe an individual planar surface. The detection of height jumps is based on a DBSCAN search within a custom search space. During the second stage, the building point sets are divided into sub-buildings in such a way that their roofs do not contain height jumps. The concept of sub-buildings without height jumps is introduced to break down the complex building models with height jumps into smaller parts, where shaping with half-spaces can be applied accurately. Finally, the sub-buildings are reconstructed separately with the corresponding half-spaces and then joined back together to form a complete building model. In the experiments, the methodology’s performance was demonstrated on a large scale and validated on an ISPRS benchmark dataset, where an RMSE of 0.29 m was obtained in terms of the height difference.
Ključne besede: LiDAR point cloud, building reconstruction, half-spaces, Boolean operations
Objavljeno v DKUM: 01.12.2023; Ogledov: 275; Prenosov: 19
.pdf Celotno besedilo (13,79 MB)
Gradivo ima več datotek! Več...

8.
Napovedovanje gostote prometa z uporabo strojnega učenja
Andraž Kralj, 2023, magistrsko delo

Opis: V magistrskem delu naslavljamo problem dolgoročnih napovedi prometa. V ta namen najprej predstavimo sorodno delo in podamo teoretično osnovo izvedbe različnih modelov strojnega učenja ter kodiranja cikličnih podatkov. V nadaljevanju podrobneje predstavimo naš pristop, ki omogoča izvedbo letnih napovedi z urno ločljivostjo. Različne pristope pri tem sistematično primerjamo in z rezultati pokažemo, da smo obravnavni problem najučinkoviteje naslovili z uporabo metode XBoost in kodiranja cikličnih podatkov s podobnostjo.
Ključne besede: strojno učenje, promet, ansambel dreves, značilnice, obdelava podatkov
Objavljeno v DKUM: 07.11.2023; Ogledov: 230; Prenosov: 58
.pdf Celotno besedilo (17,28 MB)

9.
Sistem za nalaganje in prikaz vektorskih ploščic : magistrsko delo
Aljaž Žel, 2023, magistrsko delo

Opis: V magistrskem delu predstavimo arhitekturo in implementacijo sistema za nalaganje in prikaz vektorskih ploščic. V prvem delu magistrskega dela opišemo lastnosti vektorskih ploščic in njihove podatkovne strukture. Temu sledi podroben opis implementacije zasnovane arhitekture ter njene integracije v programsko orodje za obdelavo geoprostorskih podatkov. Funkcionalno validacijo sistema izvedemo nad testno množico, ki jo sestavljajo štirje strukturno različni podatkovne vire. Pri tem opravimo statistično analizo podatkov, prikažemo primere upodobitev zemljevidov ter analiziramo vpliv uporabe implementiranih optimizacij. Z meritvami smo pokazali, da s predstavljeno arhitekturo dosežemo 36,2% povprečno pohitritev nalaganja ploščic v primerjavi z danes uveljavljenimi tehnologijami. Na samo hitrost nalaganja vektorskih ploščic pa najbolj vpliva njihovo predpomnenje ter zmanjšanje števila zaklepanj pomnilnika v času večnitnega izvajanja.
Ključne besede: vektorske ploščice, geoprostorski podatki, optimizacije, programska knjižnica
Objavljeno v DKUM: 05.10.2023; Ogledov: 354; Prenosov: 43
.pdf Celotno besedilo (3,87 MB)

10.
Razpoznava suše z integracijo senzorskih in rastrskih podatkov : diplomsko delo
Luka Hauko, 2023, diplomsko delo

Opis: V sklopu diplomskega dela predstavljamo metodo za razpoznavanje suše, ki temelji na integraciji satelitskih podatkov, iz njih izvedenih podatkovnih produktov, kot sta to normaliziran vegetacijski indeks in indeks vlažnostnega stresa, s senzorskimi podatki o vremenu, vključno s povprečnimi padavinami, zračno vlažnostjo in temperaturo. Podatke smo pridobili preko aplikacijskih programskih vmesnikov ter jih integrirali v podatkovne zbirke, nad katerimi smo izvedli strojno učenje. Slednje je vključevalo metode k-najbližjih sosedov, podporne vektorje in naključni gozd. Rezultati so pokazali, da v našem primeru dosežemo najvišjo natančnost glede na metriko F1 z uporabo slednjega.
Ključne besede: suša, strojno učenje, razpoznava
Objavljeno v DKUM: 05.10.2023; Ogledov: 218; Prenosov: 19
.pdf Celotno besedilo (2,96 MB)

Iskanje izvedeno v 0.26 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici