A+A-ContrastAcessibilidade
EnglishPortuguese
Buscar
07 Mai
10:00 Defesa de Mestrado Integralmente a distância
Tema
RAM-VO: A Recurrent Attentional Model for Visual Odometry
Aluno
Iury Cleveston
Orientador / Docente
Esther Luna Colombini
Breve resumo
Construir veículos capazes de operar sem supervisão humana é um grande desafio, exigindo percepção e compreensão adequadas do mundo. Neste sentido, determinar a posição espacial do veículo é fundamental. Algoritmos de Odometria Visual (VO) estimam a pose do agente usando apenas alterações visuais nas imagens de entrada. Os métodos de odometria visual mais recentes implementam técnicas de deep learning usando redes neurais convolucionais (CNN) extensivamente, o que adiciona um custo substancial ao lidar com imagens de alta resolução. Em tarefas de VO, mais dados de entrada não significa uma melhor previsão; pelo contrário, a rede pode ter que aprender a filtrar informações desnecessárias. Portanto, a implementação de arquiteturas computacionalmente leves e eficientes despertou o interesse em abordar o problema a partir de uma nova perspectiva. Neste contexto, o Modelo Recorrente Atencional (RAM) surge como uma nova arquitetura, que implementa o conceito de atenção através da seleção de partes essenciais da informação usando aprendizado por reforço. No entanto, a RAM foi introduzida principalmente como prova de conceito para tarefas de classificação no conjunto de dados MNIST. Neste trabalho, propomos a RAM-VO, que é a extensão da RAM para tarefas de regressão e odometria visual. A nova arquitetura modifica a arquitetura base e melhora a representação visual e temporal das informações. A RAM-VO pode realizar regressões com seis graus de liberdade a partir de imagens de entrada monoculares usando significativamente menos recursos computacionais do que métodos semelhantes. Os resultados experimentais indicam que a RAM-VO pode ser empregada para realizar odometria visual em cenários do mundo real.
Banca examinadora
Titulares:
Esther Luna Colombini IC/UNICAMP
Eduardo Todt DInf/UFPR
Marcos Ricardo Omena de Albuquerque Maximo ITA
Suplentes:
Anderson de Rezende Rocha IC/UNICAMP
Carlos Henrique Costa Ribeiro ITA