Vizuální lokalizace a navigace v proměnném prostředí
Visual Localisation and Navigation in Changing Environments
Typ dokumentu
diplomová prácemaster thesis
Autor
Leonard Mentzl
Vedoucí práce
Rozsypálek Zdeněk
Oponent práce
Kusumam Keerthy
Studijní obor
Počítačové vidění a digitální obrazStudijní program
Otevřená informatikaInstituce přidělující hodnost
katedra kybernetikyPráva
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.htmlVysokoškolská 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
Zobrazit celý záznamAbstrakt
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.
Kolekce
- Diplomové práce - 13133 [503]