Dissertação
Learning Depth From Single Monocular Images Using Stereo Supervisory Input EVALUATED
Os sistemas de visão estéreo são actualmente muito utilizados na área de robótica, facilitando o desvio de obstáculos e a navegação. No entanto, estes sistemas têm algumas limitações inerentes no que toca à percepção de profundidade, nomeadamente em regiões ocluídas ou de baixa textura visual, resultando em mapas de profundidade esparsos. Propomos abordar esses problemas utilizando um algoritmo de estimação de profundidade monocular, num contexto de aprendizagem auto-supervisionada. O algoritmo aprende online a partir de um mapa de profundidade esparso, gerado por um sistema de visão estéreo, e produz um mapa de profundidade denso. O algoritmo é eficiente, de forma a que possa correr abordo de veículos aéreos não-tripulados e robôs móveis com menos recursos computacionais, podendo ser utilizado para garantir a segurança em caso de falha de um elemento da câmara estéreo, ou para fornecer uma percepção de profundidade mais precisa, ao preencher a informação em falta nas regiões ocluídas e de baixa textura, o que, por sua vez, permite o uso de algoritmos esparsos, mais eficientes. Testámos o algoritmo num novo dataset estéreo, de alta resolução, gravado em locais interiores e processado por algoritmos de correspondência estéreo tanto esparsos como densos. Demonstra-se que o desempenho do algoritmo não se deteriora e por vezes melhora quando a aprendizagem é feita apenas a partir de regiões esparsas de alta confiança, em vez dos mapas de profundidade densos obtidos através do pós-processamento e preenchimento de regiões em falta. Isto torna a abordagem promissora para a aprendizagem auto-supervisionada abordo de robôs autónomos.
novembro 18, 2016, 16:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Prof Auxiliar Convidado