Šta me master rad o UAV podacima naučio o kvalitetu podataka

Moj master rad iz 2021. godine na Univerzitetu u Sarajevu nosi naslov UAV analiza podataka: 2D i 3D semantička klasifikacija i segmentacija objekata za pomoć operatorima u procesu odlučivanja.

Praktična motivacija bila je jednostavna. Jedna UAV misija može proizvesti hiljade slika. Operator ne može svaki kadar pregledati istom brzinom i pažnjom, a odluka može zavisiti od pronalaska blokiranog puta, promijenjenog objekta ili relevantne lokacije.

Istraživanje je obuhvatilo 2D i 3D segmentaciju, geokodiranje, poređenje iste scene u različitim trenucima i obradu point cloud modela.

Ista scena nije isti podatak

Dvije slike istog mjesta mogu se razlikovati zbog:

• osvjetljenja;
• sjena;
• položaja i kalibracije kamere;
• dubine i perspektive;
• vremena i izgleda površine;
• kompresije i metapodataka slike.

To zvuči očigledno, ali se lako zaboravi kada slika postane matrica. Vrijednost piksela nije stabilan opis objekta. Ona je mjerenje nastalo djelovanjem scene, svjetlosti, senzora i procesa obrade.

U 2D dijelu upoređeno je više pristupa, uključujući fiksne granice, lokalne granice po Niblackovom principu, predikciju granica linearnom regresijom i predikciju pomoću neuronskih mreža. Cilj nije bio proglasiti jednu tehniku univerzalno najboljom, nego vidjeti kako se njihove pretpostavke ponašaju na dostupnim slikama.

Evaluaciji je potrebna referenca

Segmentacija je slabo definisan problem dok neko ne odredi kako ispravna maska treba izgledati.

Za evaluaciju su u radu korištene ručno kreirane referentne segmentacije, a rezultati su poređeni presjekom nad unijom i vremenom izvršavanja. Ta kombinacija je bila važna: sistem koji pomaže operatoru treba i mjeru kvaliteta i praktično vrijeme rada.

Šira lekcija o kvalitetu podataka je poznata. Ako referentne oznake nisu dosljedne, nije dosljedna ni konačna metrika. Evaluacija modela nasljeđuje kvalitet ground truth podataka.

Od slika do point cloud modela

U 3D dijelu rekonstruisan je gusti point cloud iz 54 pogleda kamere. Generisani model imao je 4.557.950 tačaka, a obrada je na dokumentovanoj testnoj mašini trajala 16 minuta i 6 sekundi.

Segmentacija je prvo odvajala podlogu i objekte pomoću modela ravni i RANSAC algoritma. Tačke podloge zatim su dodatno podijeljene informacijom o boji na cestu i zelene površine.

Time su ublaženi neki problemi 2D analize, posebno osvjetljenje, sjena i nedostatak dubine, ali su uvedene druge pretpostavke. Podloga je tretirana kao ravan, što je korisno u testnoj sceni, ali nije univerzalna osobina terena.

Pretpostavke su dio rezultata

To je dio master rada koji i danas koristim u komercijalnom radu.

Rezultat nije završen ako sadrži samo oznake, scoreove ili mapu. Treba navesti i:

• šta je mjereno;
• koja transformacija je primijenjena;
• koja pretpostavka je omogućila metodu;
• gdje će metoda vjerovatno pogriješiti;
• kako je rezultat provjeren.

To vrijedi za kompjutersku viziju, geospatial podatke, validaciju CSV-a i poslovne izvještaje. Domena se mijenja; disciplina ostaje ista.

Šta master rad demonstrira

Rad demonstrira implementirano poređenje metoda 2D segmentacije, analizu promjena scene, integraciju reverznog geokodiranja, 3D rekonstrukciju i point-cloud segmentaciju na dostupnim istraživačkim podacima.

Ne demonstrira produkcijsku UAV platformu, univerzalnu tačnost u svim okruženjima niti zamjenu za ljudskog operatora. To je istraživačka osnova — i iskren primjer zašto podaci, pretpostavke i evaluacija pripadaju istom razgovoru.