3D Oriented Deep Learning Based Weather Data Augmentation

Abstract

I denne oppgaven er målet å kunne syntetisk utvide maritime datasett ved å simulere forskjellige type værforhold. Vi ser på hvordan noen monokulære dybdeestimering arkitekturer presterer på maritime bilder. Dybdeinformasjonen som man får fra dybdeestimeringen blir brukt i vær modeller for å simulere forskjellige værforhold. Vi endte opp med å samle inn et nytt datasett som inneholder en stor mengde med maritime bilder. I tillegg til dette fikk vi samlet inn en god del bilder med forskjellige type værforhold. Datasettet inneholder både bilder av klarvær og værforhold som tåke, regn og snø. Dette er gunstig for å kunne simulere syntetiske værbilder og sammenligne de med ekte værbilder. Vi presenterer to værmodeller, en for tåke og en for snø. Modellene er ganske enkle, men viser seg å være effektive på å simulere visse tåke- og snøforhold.

In this thesis, our goal is to be able to synthetically expand maritime datasets by simulating different weather conditions. We look into how some monocular depth estimation architectures perform on maritime images. The depth information gained from the depth estimation architectures is used in weather models to simulate different weather conditions. We also end up collecting a new dataset that contains a large number of maritime images as well as a fair amount of different weather images. The dataset contains scenes in both clear and other weather conditions, which makes it useful to simulate on and compare results to real weather. We present two weather models, one for fog and one for snow. The models are rather simple, but prove to be effective at simulating certain fog and snow conditions.