Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2018-11-21T11:05:44Z
No. of bitstreams: 2
Dissertação - Vinícius Araújo Santos - 2018.pdf: 14601054 bytes, checksum: e02a8bcd3cdc93bf2bf202c3933b3f27 (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2018-11-21T11:06:26Z (GMT) No. of bitstreams: 2
Dissertação - Vinícius Araújo Santos - 2018.pdf: 14601054 bytes, checksum: e02a8bcd3cdc93bf2bf202c3933b3f27 (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2018-11-21T11:06:26Z (GMT). No. of bitstreams: 2
Dissertação - Vinícius Araújo Santos - 2018.pdf: 14601054 bytes, checksum: e02a8bcd3cdc93bf2bf202c3933b3f27 (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Previous issue date: 2018-10-11 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Visual Odometry is an important process in image based navigation of robots. The
standard methods of this field rely on the good feature matching between frames where
feature detection on images stands as a well adressed problem within Computer Vision.
Such techniques are subject to illumination problems, noise and poor feature localization
accuracy. Thus, 3D information on a scene may mitigate the uncertainty of the features
on images. Deep Learning techniques show great results when dealing with common
difficulties of VO such as low illumination conditions and bad feature selection. While
Visual Odometry and Deep Learning have been connected previously, no techniques
applying Siamese Convolutional Networks on depth infomation given by disparity maps
have been acknowledged as far as this work’s researches went. This work aims to fill
this gap by applying Deep Learning to estimate egomotion through disparity maps on
an Siamese architeture. The SiameseVO-Depth architeture is compared to state of the art
techniques on OV by using the KITTI Vision Benchmark Suite. The results reveal that the
chosen methodology succeeded on the estimation of Visual Odometry although it doesn’t
outperform the state-of-the-art techniques. This work presents fewer steps in relation to
standard VO techniques for it consists of an end-to-end solution and demonstrates a new
approach of Deep Learning applied to Visual Odometry. / Odometria Visual é um importante processo na navegação de robôs baseada em imagens.
Os métodos clássicos deste tema dependem de boas correspondências de características
feitas entre imagens sendo que a detecção de características em imagens é um tema amplamente
discutido no campo de Visão Computacional. Estas técnicas estão sujeitas a problemas
de iluminação, presença de ruído e baixa de acurácia de localização. Nesse contexto,
a informação tridimensional de uma cena pode ser uma forma de mitigar as incertezas
sobre as características em imagens. Técnicas de Deep Learning têm demonstrado bons
resultados lidando com problemas comuns em técnicas de OV como insuficiente iluminação
e erros na seleção de características. Ainda que já existam trabalhos que relacionam
Odometria Visual e Deep Learning, não foram encontradas técnicas que utilizem Redes
Convolucionais Siamesas com sucesso utilizando informações de profundidade de mapas
de disparidade durante esta pesquisa. Este trabalho visa preencher esta lacuna aplicando
Deep Learning na estimativa do movimento por de mapas de disparidade em uma arquitetura
Siamesa. A arquitetura SiameseVO-Depth proposta neste trabalho é comparada
à técnicas do estado da arte em OV utilizando a base de dados KITTI Vision Benchmark
Suite. Os resultados demonstram que através da metodologia proposta é possível a estimativa
dos valores de uma Odometria Visual ainda que o desempenho não supere técnicas
consideradas estado da arte. O trabalho proposto possui menos etapas em comparação
com técnicas clássicas de OV por apresentar-se como uma solução fim-a-fim e apresenta
nova abordagem no campo de Deep Learning aplicado à Odometria Visual.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.bc.ufg.br:tede/9083 |
| Date | 11 October 2018 |
| Creators | Santos, Vinícius Araújo |
| Contributors | Laureano, Gustavo Teodoro, Laureano, Gustavo Teodoro, Soares, Anderson da Silva, Coelho, Clarimar José |
| Publisher | Universidade Federal de Goiás, Programa de Pós-graduação em Ciência da Computação (INF), UFG, Brasil, Instituto de Informática - INF (RG) |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFG, instname:Universidade Federal de Goiás, instacron:UFG |
| Rights | http://creativecommons.org/licenses/by-nc-nd/4.0/, info:eu-repo/semantics/openAccess |
| Relation | -3303550325223384799, 600, 600, 600, 600, -7712266734633644768, 3671711205811204509, 2075167498588264571 |
Page generated in 0.0028 seconds