Диссертация

1. Разработан новый метод оценки масштаба данных, превосходящий существующие по качественным характеристикам. Впервые для снижения зависимости качества работы метода оценки масштаба от конфигурации установки сбора данных применен алгоритм обучения нейросетевой модели на смеси реальных и искусственно сгенерированных данных. Дополнительно для существующих нейросетевых моделей рассмотрены модификации их архитектуры и алгоритма обучения, повышающие качественные характеристики и одновременно оставляющие процедуру тестирования в режиме реального времени. 2. Разработан новый метод визуальной детекции объектов, превосходящий существующие по качественным характеристикам. Впервые предложена модификация архитектуры сверточной нейросетевой модели, позволяющая учесть информацию об уже обнаруженных объектах, которая может быть применена ко всем существующим одно- и двухстадийным сверточным нейросетевым модели детекции объектов. Предложен итеративный метод, включающий новые алгоритмы обучения и тестирования сверточных нейросетевых моделей детекции объектов. 3. Разработан новый метод детекции объектов в трехмерном пространстве, превосходящий существующие по качественным характеристикам. Впервые сформулирована задача обучения нейросетевой модели трехмерной детекции объектов на основе мультиракурсных входов. Предложенный в качестве решения метод является полностью дифференцируемым при переменном числе входных изображений. Впервые предложен метод монокулярной трехмерной детекции, который может быть применен как для уличных сцен так и для сцен помещений.