3D Oriented Deep Learning Based Weather Data Augmentation

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