Vizuální lokalizace a navigace v proměnném prostředí

Leonard Mentzl

Visual Localisation and Navigation in Changing Environments

Type of document

diplomová práce
master thesis

Author

Leonard Mentzl

Supervisor

Rozsypálek Zdeněk

Opponent

Kusumam Keerthy

Field of study

Počítačové vidění a digitální obraz

Study program

Otevřená informatika

Institutions assigning rank

katedra kybernetiky

Rights

A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html
Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html

Metadata

Show full item record

Abstract

Tato práce se zabývá srovnáním různých metod pro vizuální lokalizaci a navigaci v proměnném prostředí. Metody testu-jeme na vlastním datasetu nasbíraném na parkovišti. Srovnáváme metody pro vyhledávání a zarovnávání obrázků. Tes-tujeme metody využívající bodové vzorky: Bag-of-Words a VLAD; s vzorky: SIFT, SURF, BRIEF a jejími variantami. Tes-tujeme metody bez bodových vzorků: GIST a metody využívající neuronové sítě: ConvNet Landmarks, NetVLAD a zarovnání pomocí plně konvoluční siamské neuronové sítě. Testujeme vliv různých metod pro modelování: FAB-MAP a Fre-MEn. Z výsledků plyne, že pro vyh-ledávání obrázků je nejelepší NetVLAD a pro zarovnání je nejlepší plně konvoluční neuronová síť.

The goal of this thesis is comparison of different approaches for visual localisation and navigation in changing environments. The tests are performed on a custom dataset collected on a car park. We compare the methods of image retrieval and image alignment separately. We test feature-based methods, namely Bag-of-Words and VLAD, with features SIFT, SURF, BRIEF and their variants. We test feature-less methods GIST and neural-network-based methods, namely ConvNet Landmarks, NetVLAD and image alignment using fully-convolutional neural network. We test the influence of some modelling methods, namely FABMAP and FreMEn. It turns out that NetVLAD is the best method for image retrieval and fully-convolutional siamese neural network is the best method for image alignment.