ACADSTAFF UGM
| Title | : | Deep Learning Techniques for Runaway Segmentation: Review and Preparation |
| Author | : | |
| Date | : | 0 2022 |
| Abstract | : | Salah satu hal krusial dalam penerbangan UAV adalah saat pesawat hendak mendarat di suatu landasan. Penglihatan kontrol di bawah (ground station) dilakukan dengan menggunakan kamera yang terpasang pada UAV. Memposisikan UAV saat siap mendarat (dalam posisi) merupakan tantangan bagi pengontrol/pilot UAV. Saat ini, ketergantungan penggunaan GPS untuk auto-landing, UAV sudah bisa dilakukan. Namun, beberapa kelemahan seperti koreksi titik GPS sangat mempengaruhi proses pendaratan. Itu akan lebih baik lagi ketika kamera dapat melakukan deteksi pelarian secara visual untuk membantu sistem navigasi UAV yang ada. Tentunya diharapkan akan meningkatkan akurasi posisi, dan selain itu, dalam konteks pengembangan lebih lanjut, analisis khusus dimungkinkan. Pada penelitian ini pengumpulan data citra runaway dan lingkungannya dibagi menjadi beberapa kelas untuk segmentasi yaitu none, runway, road, building, terrain, sky, sea, aerial_object, dan ground_object. Dataset tersebut akan digunakan untuk menguji beberapa metode arsitektur Deep Learning untuk segmentasi guna mendapatkan arsitektur terbaik. |
| Group of Knowledge | : | Sistem Informasi Geografi (SIG) |
| Original Language | : | Bahasa Indonesia |
| Level | : | Nasional |
| Status | : |
| No | Title | Action |
|---|