Samo-nadzirano učenje dubine za monokularnu direktnu vizualnu odometriju

master's thesis

• Title (english): Self-Supervised Depth Learning for Monocular Direct Visual Odometry
• Author: Karlo Kapusović
• Mentor: Ivan Marković (mentor)
• Committee member: Ivan Petrović (član povjerenstva)
• Committee member: Marija Seder (član povjerenstva)
• Committee member: Juraj Peršić (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2022-07-13, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Electrical Engineering

Abstract

Direktna vizualna odometrija skupina je algoritama koji estimiraju položaj kamere pomoću vrijednosti intenziteta piksela u slikama. Samim time je osjetljiva na pogreške kalibracije i inicijalizacije početnih vrijednosti. Iako stereo kamere omogućuju brzu inicijalizaciju i procjenu metričke skale, njihovo korištenje je složenije i zahtijeva kompleksniju kalibraciju kamera. Duboko učenje omogućuje estimaciju metrički točne dubine iz monokularnih slika. Korištenjem najnovijih pristupa samo-nadziranog učenja, omogućuje se učenje mreže bez označenog skupa podataka za treniranje. Stoga je moguća vrlo laka prilagodba neuronske mreže za različita okruženja. U diplomskome radu potrebno je iskoristiti dubinske mape iz neuronske mreže u direktnoj vizualnoj odometriji kako bi se poboljšala inicijalizacije i omogućila procjena metričke skale svijeta iz monokularnih slika.

Abstract (english)

Direct visual odometry is a group of algorithms that estimate camera position using pixel intensity values in images. It is therefore sensitive to calibration errors and initialization of initial values. Although stereo cameras allow for rapid initialization and metric scale estimation, their use is more complex and requires more complex camera calibration. Deep learning allows the estimation of metrically accurate depth from monocular images. Using the latest approaches to self-supervised learning, network learning is enabled without a labeled training data set. Therefore, it is possible to very easily adapt the neural network to work in different environments. In this graduate thesis it is necessary to use depth maps from the neural network in direct visual odometry in order to improve the initializations and enable the assessment of the metric scale of the world from monocular images.

• Keywords: vizulana odometrija; samo-nadzirano učenje; dubina iz monokularne slike
• Keywords (english): visual odometry; self-supervised learning; depth from mono
• Language: croatian
• URN:NBN: urn:nbn:hr:168:092234
• Study programme: Title: Electrical Engineering and Information Technology; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka elektrotehnike i informacijske tehnologije (magistar/magistra inženjer/inženjerka elektrotehnike i informacijske tehnologije)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2023-01-13 15:15:19