Estimação monocular de profundidade por aprendizagem profunda para veículos autônomos: influência da esparsidade dos mapas de profundidade no treinamento supervisionado (2019)
- Authors:
- Autor USP: ROSA, NÍCOLAS DOS SANTOS - EESC
- Unidade: EESC
- Sigla do Departamento: SEL
- Subjects: VEÍCULOS AUTÔNOMOS; APRENDIZADO COMPUTACIONAL; VISÃO; ROBÓTICA
- Keywords: Estimação de profundidade; Visão monocular; Aprendizado profundo; Aprendizado supervisionado
- Agências de fomento:
- Language: Português
- Abstract: Este trabalho aborda o problema da estimação de profundidade a partir de imagens monoculares (SIDE), com foco em melhorar a qualidade das predições de redes neurais profundas. Em um cenário de aprendizado supervisionado, a qualidade das predições está intrinsecamente relacionada aos rótulos de treinamento, que orientam o processo de otimização. Para cenas internas, sensores de profundidade baseados em escaneamento por luz estruturada (Ex.: Kinect) são capazes de fornecer mapas de profundidade densos, embora de curto alcance. Enquanto que para cenas externas, consideram-se LiDARs como sensor de referência, que comparativamente fornece medições mais esparsas, especialmente em regiões mais distantes. Em vez de modificar a arquitetura de redes neurais para lidar com mapas de profundidade esparsa, este trabalho introduz um novo método de densificação para mapas de profundidade, usando o framework de Mapas de Hilbert. Um mapa de ocupação contínuo é produzido com base nos pontos 3D das varreduras do LiDAR, e a superfície reconstruída resultante é projetada em um mapa de profundidade 2D com resolução arbitrária. Experimentos conduzidos com diferentes subconjuntos do conjunto de dados do KITTI mostram uma melhora significativa produzida pela técnica proposta (esparso-para-contínuo), sem necessitar inserir informações extras durante a etapa de treinamento.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2019
- Data da defesa: 24.06.2019
-
ABNT
ROSA, Nícolas dos Santos. Estimação monocular de profundidade por aprendizagem profunda para veículos autônomos: influência da esparsidade dos mapas de profundidade no treinamento supervisionado. 2019. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2019. Disponível em: http://www.teses.usp.br/teses/disponiveis/18/18153/tde-13092019-150449/. Acesso em: 19 abr. 2024. -
APA
Rosa, N. dos S. (2019). Estimação monocular de profundidade por aprendizagem profunda para veículos autônomos: influência da esparsidade dos mapas de profundidade no treinamento supervisionado (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/18/18153/tde-13092019-150449/ -
NLM
Rosa N dos S. Estimação monocular de profundidade por aprendizagem profunda para veículos autônomos: influência da esparsidade dos mapas de profundidade no treinamento supervisionado [Internet]. 2019 ;[citado 2024 abr. 19 ] Available from: http://www.teses.usp.br/teses/disponiveis/18/18153/tde-13092019-150449/ -
Vancouver
Rosa N dos S. Estimação monocular de profundidade por aprendizagem profunda para veículos autônomos: influência da esparsidade dos mapas de profundidade no treinamento supervisionado [Internet]. 2019 ;[citado 2024 abr. 19 ] Available from: http://www.teses.usp.br/teses/disponiveis/18/18153/tde-13092019-150449/ - Sparse-to-continuous: enhancing monocular depth estimation using occupancy maps
- DPO: direct planar odometry with stereo camera
- Uma abordagem Bayesiana na tarefa de segmentação semântica
- Semantic SuperPoint: a deep semantic descriptor
- A survey on the aspects of human-robot interaction in autonomous vehicles
- Implementation on FPGA of neuro-genetic PID controllers auto-tuning
- Semantic SuperPoint: um descritor semântico profundo
- Depth completion with morphological operations: an intermediate approach to enhance monocular depth estimation
- On deep learning techniques to boost monocular depth estimation for autonomous navigation
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
