split into chapters

dissertation/chapter_2/2.1_formalization/2.1_formalization.md

@@ -0,0 +1,19 @@
+2.1 Постановка задачи возврата БПЛА в точку старта 
+
+В данной работе рассматривается задача автономного возврата беспилотного летательного аппарата в точку старта при отсутствии или потере сигналов спутниковой навигации (GPS/ГЛОНАСС) и любой другой внешней связи. Дрон оснащен:
+	бортовой камерой для получения изображений местности в реальном времени;
+	инерциальной навигационной системой, обеспечивающей измерения угловых скоростей и ускорений;
+	бортовым вычислителем, способным выполнять обработку изображений и управляющие вычисления.
+В рамках настоящей работы предполагается только наличие бортовой камеры.
+Исходные данные:
+	Циклический маршрут – последовательность координат точек \{p_0,p_1,\ldots,p_n\}, где p_0=p_n (первая точка совпадает с последней);
+	Эталонная карта местности – изображение или последовательность изображений вдоль траектории маршрута, полученная до начала полета (например, спутниковые снимки или предварительная загрузка участков карты);
+	Видеопоток в реальном времени – последовательности кадров, получаемых бортовой камерой в процессе полета.
+Задача: разработать алгоритм навигации, который корректирует угол и направление полета таким образом, чтобы пройти через каждую заданную точку маршрута \{p_1,p_2,\ldots,p_{n-1}\}, вернуться в исходную позицию p_o с наименьшей с наименьшей погрешностью в координатах и обеспечить устойчивость к различиям между эталонной картой и реальными изображениями.
+Формально говоря, цель состоит в минимизации конечной ошибки позиционирования:
+e_{final}=\left|\left|p_{actual}\left(T\right)-p_0\right|\right|,
+Где p_{actual}\left(T\right) – фактическое положение БПЛА в момент завершения возврата, p_0 – исходная точка старта.
+Дополнительным критерием точности может выступить минимизация средней накапливаемой ошибки на каждой точке:
+s_{final}=\sum_{i=1}^{P}\left|\left|p_{actual}\left(i\right)-p_i\right|\right|,
+где p_{actual}\left(i\right) – фактическое положение БПЛА при прохождении через точку i, а p_i – положение точки i, P - количество точек
+

dissertation/chapter_2/2.1_formalization/readme.md

@@ -0,0 +1,5 @@
+# 2.1 Формализация задачи возврата БПЛА в точку старта
+
+## Содержание раздела
+
+Описание формализации задачи находится в файле 2.1_formalization.md

dissertation/chapter_2/2.2_base_solution/2.2_base_solution.md

@@ -0,0 +1,39 @@
+2.2 Базовое решение задачи
+
+Обозначим последовательность изображений \{u_i\ |\ i\in[0..N]}, где N – итоговое количество кадров, которое было получено во время всего полета. Пусть 
+I_i\left(x,y\right) – интенсивность пикселя в позиции (y,\ x), где x\ \in[0..W-1] и y\ \in[0..W-1], W – ширина кадра.
+  Матрица H_i – матрица гомографии, которая описывает переход от кадра u_{i-1} к кадру u_i:
+I_{i-1}\left(x,y\right)=I_i\left(x^\prime,y^\prime\right),
+t\ast\left(\begin{matrix}x\prime\\y\prime\\1\\\end{matrix}\right)=H_i\times\left(\begin{matrix}x\\y\\1\\\end{matrix}\right)
+Матрица гомографии (H) описывает проективное между двумя плоскостями и может быть представлена в следующем виде:
+H=K_1\times R\times T\times{K_2}^{-1},
+где K_1 и K_2 – матрицы внутренних параметров камеры, R – матрица поворотов, T – матрица трансляции.
+Матрицы K_1 и K_2 представляют собой матрицы внутренних параметров и обычно равны между собой (различаются центры изображений). Однако в случаях разного разрешения картинок они могут иметь разные параметры. В общем виде такая матрица представляется следующим образом:
+
+K_i=\left(\begin{matrix}f&\gamma&c_x^i\\0&f&c_y^i\\0&0&1\\\end{matrix}\right),
+
+Где f – фокусное расстояние в пикселях, c_x и c_y – координаты оптического центра камеры на плоскости изображения, \gamma – коэффициент скоса, описывающий угол наклона пикселей (в рамках симуляции равен 0).
+Матрицу R можно получить при помощи стандартной функции OpenCV decomposeHomographyMat, также эту матрицу можно вычислить самостоятельно, поскольку первые два столбца матрицы гомографии H инвариантны смещению. 
+Матрица R представляет собой следующий вид:
+R=R_x\times R_y\times R_z
+Где R_x,R_y,R_z – матрицы вращения вокруг осей OX,\ OY,\ OZ соответственно.
+Если известны угол рыскания \psi, тангажа \theta и крена \gamma, то эти матрицы вычисляются следующим образом:
+
+R_x\left(\gamma\right)=\left(\begin{matrix}1&0&0\\0&cos\left(\gamma\right)&-sin\left(\gamma\right)\\0&sin\left(\gamma\right)&cos\left(\gamma\right)\\\end{matrix}\right),
+
+R_y\left(\theta\right)=\left(\begin{matrix}cos\left(\theta\right)&0&sin\left(\theta\right)\\0&1&0\\-sin\left(\theta\right)&0&cos\left(\theta\right)\\\end{matrix}\right),
+
+R_z\left(\psi\right)=\left(\begin{matrix}cos\left(\psi\right)&-sin\left(\psi\right)&0\\sin\left(\psi\right)&cos\left(\psi\right)&0\\0&0&1\\\end{matrix}\right),
+
+Зная матрицу H,\ K_1, K_2,\ и R, можно получить матрицу T:
+
+T=R^{-1}\times K_1^{-1}\times H\times K_2
+л.в.что:T=R-1×K1-1×K1×R×T×K2-1×K2
+
+Матрица трансляции имеет вид:
+
+T=\lambda0λxf0λλyf00λz=λ *10xf01yf00z
+
+Таким образом, можно получить смещение между кадрами, зная матрицы внутренних параметров камеры и матрицу гомографии.
+Чтобы получить положение БПЛА в момент времени t, достаточно получить матрицу трансляции из произведения всех промежуточных матриц гомографии (обозначим за G_t) на префиксе кадров [0..t]:
+G_t=\prod_{i=1}^{t}H_i=H_1\times H_2\times\ldots\times H_t

dissertation/chapter_2/2.2_base_solution/readme.md

@@ -0,0 +1,5 @@
+# 2.2 Базовое решение задачи
+
+## Содержание раздела
+
+Описание базового решения находится в файле 2.2_base_solution.md

dissertation/chapter_2/2.3_deep_learning/2.3.1_siamese_match.md

@@ -0,0 +1,51 @@
+2.3.1 Применение архитектуры сиамских близнецов для сопоставления кадров из различных доменов
+
+Абстрактно, сиамские близнецы представляют собой следующую архитектуру (рисунок 1):
+	На вход подаются два или более объекта с одинаковой сигнатурой.
+	Каждая входная информация проходит одинаковый пайплайн обработки (получение признаков при помощи CNN).
+	Полученные наборы признаков объединяются в вектор (1\times M).
+	Голова модели представляет собой полносвязную нейронную сеть.
+
+ 
+
+Рисунок 1 – Абстрактная архитектура сиамских близнецов
+
+В качестве входной информации выступят два кадра: текущий снимок видеокамеры и эталонный снимок, для которого точно известна позиция. Выходная информация будет представлять собой вещественное число от 0 до 1 – степень схожести двух картинок (Рисунок 2).
+
+ 
+
+Рисунок 2 – Интерфейс алгоритма (входные и выходные данные)
+
+На базе такой архитектуры реализована модель «SiaN-Similarity» с использованием фреймворка PyTorch и включает общий скелет на базе предобученной модели «ResNet18» и голову сравнения (рисунок 3). На вход подаются два изображения размером \left(B,3,256,256\right), где B – размер пакета данных (batch). Эти изображения представляют собой текущий кадр («Image 1») и кандидат-эталон «Image 2». Извлеченные при помощи «ResNet18» признаки f_1 и f_2 объединяются в вектор [f_1,f_2,f1–f2,f1*f2] размером \left(B,2048\right), так как каждый из векторов f_1 и f_2 имеет размер (B,\ 256). Все это проходит через многослойный перцептрон (MLP), где выход – вероятность схожести картинок (рисунок 3).
+Обучение модели проводилось на собственном датасете «ya_go_maps» - собственный набор, состоящий из 327 пар изображений разных доменов (261 тренировочных и 66 валидационных) с бинарными метками (одинаковы или разный домен). Датасет сформирован на основе снимков из различных онлайн-карт («Яндекс.Карты» и «Google Maps»). Для обучения использовалась функция потерь Binary Cross Entropy Loss (BCELoss), которая идеально подходит для бинарной классификации схожести изображений:
+l_n=-\left(y_nlog\left(x_n\right)+\left(1-y_n\right)log\left(1-x_n\right)\right),
+где x_n – предсказанная вероятность, y_n – истинная метка (1 для одинаковых пар снимков, 0 – для разных). Средняя потеря по батчу вычисляется как
+\frac{1}{N}\sum_{n}l_n
+BCELoss выбрана из-за совместимости с сигмоидным выходом и способности эффективно различать градиенты для вероятностей, что отлично подходит для задач сопоставления изображений с доменным сдвигом.
+ 
+
+Рисунок 3 – Архитектура модели «SiaN-Similarity»
+
+Платформа обучения – «Kaggle» с видеокартой «Tesla P100». Весь процесс обучения занял 24 минуты и остановился на 56 эпохе (ранняя остановка). Train Loss снизилась до 0.27 и монотонно убывала на протяжении всех эпох (за небольшими исключениями. После ~30 эпохи модель начала переобучаться и сработала ранняя остановка (early stopping). Лучшая Val Loss – 0.2929 (эпоха 36) при Val Accuracy 0.90. Однако лучшая точность достигнута на последней эпохе – 0.9630, правда функция потерь в том случае слишком высокая и слишком низкий recall, что критично для дальних полетов, ведь высок риск еще большего накопления ошибок.
+
+ 
+
+Рисунок 4 – Графики обучения «SiaN-Similiarity»
+
+Модель демонстрирует консервативный характер: высокий recall минимизирует пропуски истинных совпадений эталонных кадров (false negatives), что критично для коррекции траектории БПЛА. Низкая объясняется доменным сдвигом и малым размером датасета – модель склонна классифицировать неоднозначные пары как одинаковые. Это приемлемо для навигации, где false positives приводят лишь к проверке дополнительных кандидатов, а false negatives могут вызвать потерю позиции (рисунок 5).
+
+ 
+
+Рисунок 5 – Матрица ошибок «SiaN-Similarity»
+
+
+На рисунке 6 и 7 показаны примеры верных предсказании модели и неверных соответственно.
+
+ 
+
+Рисунок 6 – Верно угаданные сэмплы «SiaN-Similarity»
+
+ 
+
+Рисунок 7 – Неверно угаданные сэмплы «SiaN-Similiarity»
+

dissertation/chapter_2/2.3_deep_learning/2.3.2_siamese_homography.md

@@ -0,0 +1,2 @@
+2.3.2 Применение архитектуры сиамских близнецов для вычисления матрицы гомографии между двумя кадрами
+

dissertation/chapter_2/2.3_deep_learning/2.3.3_additional.md

@@ -0,0 +1,3 @@
+2.3.3 Применение архитектуры сиамских близнецов для вычисления матрицы гомографии между двумя кадрами
+
+

dissertation/chapter_2/2.3_deep_learning/2.3_overview.md

@@ -0,0 +1,5 @@
+2.3 Методы глубого обучения
+
+Основным минусом базового решения является то, что любая его реализация предполагает накопление погрешности. В таком случае корректировка позиции может стать хорошим дополнением для снижения дрейфа.
+Одной из проблем такого подхода является поиск необходимого эталонного снимка. Снимки могут совершаться в разное время суток, в разных годах, при неодинаковых условиях (ветер, туман, погода, сезон года), но иметь какие-то общие схожие паттерны. Классические способы решения сопоставления таких кадров работают крайне плохо, однако модели на основе нейронных сетей справляются с этой задачей куда лучше.
+

dissertation/chapter_2/2.3_deep_learning/readme.md

@@ -0,0 +1,8 @@
+# 2.3 Эталонные снимки
+
+## Содержание раздела
+
+| Подраздел | Название | Файл |
+|-----------|----------|------|
+| 2.3.1 | Применение архитектуры сиамских близнецов для сопоставления кадров из различных доменов | 2.3.1_siamese_match.md |
+| 2.3.2 | Применение архитектуры сиамских близнецов для вычисления матрицы гомографии | 2.3.2_siamese_homography.md |

dissertation/chapter_2/2.4_dataset/2.4_dataset.md

@@ -0,0 +1,7 @@
+2.4 Датасет
+
+
+
+
+
+

dissertation/chapter_2/2.4_dataset/readme.md

@@ -0,0 +1,5 @@
+# 2.4 Датасет
+
+## Содержание раздела
+
+Описание датасета находится в файле 2.4_dataset.md

dissertation/chapter_2/2.5_training/2.5_training.md

@@ -0,0 +1,2 @@
+2.5 Обучение моделей глубокого обучения
+

dissertation/chapter_2/2.5_training/readme.md

@@ -0,0 +1,5 @@
+# 2.5 Обучение моделей глубокого обучения
+
+## Содержание раздела
+
+Описание обучения моделей находится в файле 2.5_training.md

dissertation/chapter_2/_temp_full_content.md

@@ -1,131 +0,0 @@
-
-2.1 Постановка задачи возврата БПЛА в точку старта 
-
-В данной работе рассматривается задача автономного возврата беспилотного летательного аппарата в точку старта при отсутствии или потере сигналов спутниковой навигации (GPS/ГЛОНАСС) и любой другой внешней связи. Дрон оснащен:
-	бортовой камерой для получения изображений местности в реальном времени;
-	инерциальной навигационной системой, обеспечивающей измерения угловых скоростей и ускорений;
-	бортовым вычислителем, способным выполнять обработку изображений и управляющие вычисления.
-В рамках настоящей работы предполагается только наличие бортовой камеры.
-Исходные данные:
-	Циклический маршрут – последовательность координат точек \{p_0,p_1,\ldots,p_n\}, где p_0=p_n (первая точка совпадает с последней);
-	Эталонная карта местности – изображение или последовательность изображений вдоль траектории маршрута, полученная до начала полета (например, спутниковые снимки или предварительная загрузка участков карты);
-	Видеопоток в реальном времени – последовательности кадров, получаемых бортовой камерой в процессе полета.
-Задача: разработать алгоритм навигации, который корректирует угол и направление полета таким образом, чтобы пройти через каждую заданную точку маршрута \{p_1,p_2,\ldots,p_{n-1}\}, вернуться в исходную позицию p_o с наименьшей с наименьшей погрешностью в координатах и обеспечить устойчивость к различиям между эталонной картой и реальными изображениями.
-Формально говоря, цель состоит в минимизации конечной ошибки позиционирования:
-e_{final}=\left|\left|p_{actual}\left(T\right)-p_0\right|\right|,
-Где p_{actual}\left(T\right) – фактическое положение БПЛА в момент завершения возврата, p_0 – исходная точка старта.
-Дополнительным критерием точности может выступить минимизация средней накапливаемой ошибки на каждой точке:
-s_{final}=\sum_{i=1}^{P}\left|\left|p_{actual}\left(i\right)-p_i\right|\right|,
-где p_{actual}\left(i\right) – фактическое положение БПЛА при прохождении через точку i, а p_i – положение точки i, P - количество точек
-
-2.2 Базовое решение задачи
-
-Обозначим последовательность изображений \{u_i\ |\ i\in[0..N]}, где N – итоговое количество кадров, которое было получено во время всего полета. Пусть 
-I_i\left(x,y\right) – интенсивность пикселя в позиции (y,\ x), где x\ \in[0..W-1] и y\ \in[0..W-1], W – ширина кадра.
-  Матрица H_i – матрица гомографии, которая описывает переход от кадра u_{i-1} к кадру u_i:
-I_{i-1}\left(x,y\right)=I_i\left(x^\prime,y^\prime\right),
-t\ast\left(\begin{matrix}x\prime\\y\prime\\1\\\end{matrix}\right)=H_i\times\left(\begin{matrix}x\\y\\1\\\end{matrix}\right)
-Матрица гомографии (H) описывает проективное между двумя плоскостями и может быть представлена в следующем виде:
-H=K_1\times R\times T\times{K_2}^{-1},
-где K_1 и K_2 – матрицы внутренних параметров камеры, R – матрица поворотов, T – матрица трансляции.
-Матрицы K_1 и K_2 представляют собой матрицы внутренних параметров и обычно равны между собой (различаются центры изображений). Однако в случаях разного разрешения картинок они могут иметь разные параметры. В общем виде такая матрица представляется следующим образом:
-
-K_i=\left(\begin{matrix}f&\gamma&c_x^i\\0&f&c_y^i\\0&0&1\\\end{matrix}\right),
-
-Где f – фокусное расстояние в пикселях, c_x и c_y – координаты оптического центра камеры на плоскости изображения, \gamma – коэффициент скоса, описывающий угол наклона пикселей (в рамках симуляции равен 0).
-Матрицу R можно получить при помощи стандартной функции OpenCV decomposeHomographyMat, также эту матрицу можно вычислить самостоятельно, поскольку первые два столбца матрицы гомографии H инвариантны смещению. 
-Матрица R представляет собой следующий вид:
-R=R_x\times R_y\times R_z
-Где R_x,R_y,R_z – матрицы вращения вокруг осей OX,\ OY,\ OZ соответственно.
-Если известны угол рыскания \psi, тангажа \theta и крена \gamma, то эти матрицы вычисляются следующим образом:
-
-R_x\left(\gamma\right)=\left(\begin{matrix}1&0&0\\0&cos\left(\gamma\right)&-sin\left(\gamma\right)\\0&sin\left(\gamma\right)&cos\left(\gamma\right)\\\end{matrix}\right),
-
-R_y\left(\theta\right)=\left(\begin{matrix}cos\left(\theta\right)&0&sin\left(\theta\right)\\0&1&0\\-sin\left(\theta\right)&0&cos\left(\theta\right)\\\end{matrix}\right),
-
-R_z\left(\psi\right)=\left(\begin{matrix}cos\left(\psi\right)&-sin\left(\psi\right)&0\\sin\left(\psi\right)&cos\left(\psi\right)&0\\0&0&1\\\end{matrix}\right),
-
-Зная матрицу H,\ K_1, K_2,\ и R, можно получить матрицу T:
-
-T=R^{-1}\times K_1^{-1}\times H\times K_2
-л.в.что:T=R-1×K1-1×K1×R×T×K2-1×K2
-
-Матрица трансляции имеет вид:
-
-T=\lambda0λxf0λλyf00λz=λ *10xf01yf00z
-
-Таким образом, можно получить смещение между кадрами, зная матрицы внутренних параметров камеры и матрицу гомографии.
-Чтобы получить положение БПЛА в момент времени t, достаточно получить матрицу трансляции из произведения всех промежуточных матриц гомографии (обозначим за G_t) на префиксе кадров [0..t]:
-G_t=\prod_{i=1}^{t}H_i=H_1\times H_2\times\ldots\times H_t
-
-2.3 Эталонные снимки
-
-Основным минусом базового решения является то, что любая его реализация предполагает накопление погрешности. В таком случае корректировка позиции может стать хорошим дополнением для снижения дрейфа.
-Одной из проблем такого подхода является поиск необходимого эталонного снимка. Снимки могут совершаться в разное время суток, в разных годах, при неодинаковых условиях (ветер, туман, погода, сезон года), но иметь какие-то общие схожие паттерны. Классические способы решения сопоставления таких кадров работают крайне плохо, однако модели на основе нейронных сетей справляются с этой задачей куда лучше.
-
-2.3.1 Применение архитектуры сиамских близнецов для сопоставления кадров из различных доменов
-
-Абстрактно, сиамские близнецы представляют собой следующую архитектуру (рисунок 1):
-	На вход подаются два или более объекта с одинаковой сигнатурой.
-	Каждая входная информация проходит одинаковый пайплайн обработки (получение признаков при помощи CNN).
-	Полученные наборы признаков объединяются в вектор (1\times M).
-	Голова модели представляет собой полносвязную нейронную сеть.
-
- 
-
-Рисунок 1 – Абстрактная архитектура сиамских близнецов
-
-В качестве входной информации выступят два кадра: текущий снимок видеокамеры и эталонный снимок, для которого точно известна позиция. Выходная информация будет представлять собой вещественное число от 0 до 1 – степень схожести двух картинок (Рисунок 2).
-
- 
-
-Рисунок 2 – Интерфейс алгоритма (входные и выходные данные)
-
-На базе такой архитектуры реализована модель «SiaN-Similarity» с использованием фреймворка PyTorch и включает общий скелет на базе предобученной модели «ResNet18» и голову сравнения (рисунок 3). На вход подаются два изображения размером \left(B,3,256,256\right), где B – размер пакета данных (batch). Эти изображения представляют собой текущий кадр («Image 1») и кандидат-эталон «Image 2». Извлеченные при помощи «ResNet18» признаки f_1 и f_2 объединяются в вектор [f_1,f_2,f1–f2,f1*f2] размером \left(B,2048\right), так как каждый из векторов f_1 и f_2 имеет размер (B,\ 256). Все это проходит через многослойный перцептрон (MLP), где выход – вероятность схожести картинок (рисунок 3).
-Обучение модели проводилось на собственном датасете «ya_go_maps» - собственный набор, состоящий из 327 пар изображений разных доменов (261 тренировочных и 66 валидационных) с бинарными метками (одинаковы или разный домен). Датасет сформирован на основе снимков из различных онлайн-карт («Яндекс.Карты» и «Google Maps»). Для обучения использовалась функция потерь Binary Cross Entropy Loss (BCELoss), которая идеально подходит для бинарной классификации схожести изображений:
-l_n=-\left(y_nlog\left(x_n\right)+\left(1-y_n\right)log\left(1-x_n\right)\right),
-где x_n – предсказанная вероятность, y_n – истинная метка (1 для одинаковых пар снимков, 0 – для разных). Средняя потеря по батчу вычисляется как
-\frac{1}{N}\sum_{n}l_n
-BCELoss выбрана из-за совместимости с сигмоидным выходом и способности эффективно различать градиенты для вероятностей, что отлично подходит для задач сопоставления изображений с доменным сдвигом.
- 
-
-Рисунок 3 – Архитектура модели «SiaN-Similarity»
-
-Платформа обучения – «Kaggle» с видеокартой «Tesla P100». Весь процесс обучения занял 24 минуты и остановился на 56 эпохе (ранняя остановка). Train Loss снизилась до 0.27 и монотонно убывала на протяжении всех эпох (за небольшими исключениями. После ~30 эпохи модель начала переобучаться и сработала ранняя остановка (early stopping). Лучшая Val Loss – 0.2929 (эпоха 36) при Val Accuracy 0.90. Однако лучшая точность достигнута на последней эпохе – 0.9630, правда функция потерь в том случае слишком высокая и слишком низкий recall, что критично для дальних полетов, ведь высок риск еще большего накопления ошибок.
-
- 
-
-Рисунок 4 – Графики обучения «SiaN-Similiarity»
-
-Модель демонстрирует консервативный характер: высокий recall минимизирует пропуски истинных совпадений эталонных кадров (false negatives), что критично для коррекции траектории БПЛА. Низкая объясняется доменным сдвигом и малым размером датасета – модель склонна классифицировать неоднозначные пары как одинаковые. Это приемлемо для навигации, где false positives приводят лишь к проверке дополнительных кандидатов, а false negatives могут вызвать потерю позиции (рисунок 5).
-
- 
-
-Рисунок 5 – Матрица ошибок «SiaN-Similarity»
-
-
-На рисунке 6 и 7 показаны примеры верных предсказании модели и неверных соответственно.
-
- 
-
-Рисунок 6 – Верно угаданные сэмплы «SiaN-Similarity»
-
- 
-
-Рисунок 7 – Неверно угаданные сэмплы «SiaN-Similiarity»
-
-
-2.3.2 Применение архитектуры сиамских близнецов для вычисления матрицы гомографии между двумя кадрами
-
-2.3.3 Применение архитектуры сиамских близнецов для вычисления матрицы гомографии между двумя кадрами
-
-
-2.4 Датасет
-
-
-
-
-
-
-2.5 Обучение моделей глубокого обучения
-

dissertation/chapter_2/readme.md

@@ -1,4 +1,13 @@
-2.1 Формализация задачи возврата БПЛА в точку старта
-2.2 Базовое решение задачи
-2.3 Эталонные снимки
-2.3.1 Применение архитектуры сиамских близнецов для сопоставления кадров из различных доменов
+# Глава 2. Постановка задачи и выбор методов решения
+
+## Содержание
+
+| Раздел | Название | Путь |
+|--------|----------|------|
+| 2.1 | Формализация задачи возврата БПЛА в точку старта | 2.1_formalization/ |
+| 2.2 | Базовое решение задачи | 2.2_base_solution/ |
+| 2.3 | Методы глубокого обучения | 2.3_deep_learning/ |
+| 2.3.1 | Сиамские близнецы для сопоставления кадров из различных доменов | 2.3_deep_learning/2.3.1_siamese_match.md |
+| 2.3.2 | Сиамские близнецы для вычисления матрицы гомографии | 2.3_deep_learning/2.3.2_siamese_homography.md |
+| 2.4 | Датасет | 2.4_dataset/ |
+| 2.5 | Обучение моделей глубокого обучения | 2.5_training/ |

dissertation/chapter_2/todo.md

@@ -1,2 +1,2 @@
-- Оглавление в readme.md оформить в виде таблицы
-- распарсить _temp_full_content.md по папкам (потому что там будет большой подпункт, а внутри уже маленькие подпункты, поэтому их уже файлами). То есть ещё папка, а потом файлы уже. Создай readme.md, оформи их.
+- [x] Оглавление в readme.md оформить в виде таблицы
+- [x] распарсить _temp_full_content.md по папкам и файлам