PROGRAMA DE PÓS-GRADUAÇÃO EM INFORMÁTICA (PPGI)
UNIVERSIDADE FEDERAL DA PARAÍBA
- Telefone/Ramal
-
Não informado
Notícias
Banca de DEFESA: DUNFREY PIRES ARAGÃO
Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: DUNFREY PIRES ARAGÃO
DATA: 31/01/2020
HORA: 10:00
LOCAL: Centro de Informática
TÍTULO: SpaceYNet: a Regression Pose and Depth-scene Simultaneously
PALAVRAS-CHAVES: Conjunto de dados, depth-scene, pose, rede neural, regressão, robô.
PÁGINAS: 51
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
RESUMO: Um dos problemas fundamentais da robótica móvel é o uso de informações sensoriais para localizar um robô móvel dentro de um específico contexto. Neste trabalho, foi desenvolvida uma nova abordagem para o dilema da realocalização global, que se refere a conhecer a posição do agente e evitar ações imprevistas de outros atores a partir de uma imagem. Para contemplar, incorporamos cinco camadas Inception, apresentadas por GoogLeNet 1V1, em uma arquitetura simétrica das camadas sequenciais realizando amostragens e revertendo esta atividade, que permite realizar duas tarefas da visão computacional simultaneamente: esti- mar depth-scene do momento capturado e regredir o 6-DoF, a partir da imagem RGB monoc- ular de uma câmera de robô móvel. Além disso, implementamos uma solução de redes recor- rentes que permite que a solução aprenda características dp contexto do ambiente percorrido. Chamamos esta solução como SpaceYNet, e ela opera regredindo depth-scene, que pode ser auxiliar em aprimorar a previsão de 6-DoF, diferentemente de trabalhos propostos encontra- dos, que são definidos para atuar em condições de ambientes controlados ou que trabalham resolvendo uma única tarefa. Nós avaliamos o SpaceYNet comparando-a com PoseNet e ContextualNet, que são o estado da arte na regressão da localização de robôs usando redes neurais convolucionais e extensão da primeira usando redes LSTM, originando SpaceYNet v.2. Esta comparação foi baseada em dois conjuntos de dados diferentes; uma pública e uma gerada em ujm laboratório amplo, rico em detalhes e com variações internas. A com- paração da rede SpaceYNet mostrou maior precisão na regressão do 6-DoF, sendo melhor em 58,42% dos casos com o conjunto de dados público em porcentagens globais quando comparado aos casos PoseNet e 56,06% trabalhando com o conjunto de dados gerado em laboratório. Quando comparamos SpaceYNet v.2 à rede ContextualNet, também houve mel- hor acurácia, e quando comparamos SpaceYNet v.1 e SpaceYNet v.2, esta diferença é de 67.5% de acurácia superior para a SpaceYNet v.2.
MEMBROS DA BANCA:
Presidente - 2042972 - TIAGO PEREIRA DO NASCIMENTO
Interno - 1743917 - THAIS GAUDENCIO DO REGO
Externo à Instituição - LUIZ MARCOS GARCIA GONCALVES