Segmentação de objetos em imagens RGB-D: um comparativo entre abordagens tradicionais e baseadas em aprendizado de máquina

Detalhes bibliográficos
Autor(a) principal: Zis, Luiz Eduardo
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/216155
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2020.
id UFSC_b9d48ec343abd3ebb1f1a5794d0cf6e9
oai_identifier_str oai:repositorio.ufsc.br:123456789/216155
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Segmentação de objetos em imagens RGB-D: um comparativo entre abordagens tradicionais e baseadas em aprendizado de máquinaEngenharia de sistemasAutomaçãoAprendizado do computadorRobóticaCâmeras de vídeoImagens digitaisDissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2020.O crescente desenvolvimento de robôs e sistemas autônomos têm impulsionado as mais diversas áreas de pesquisa. Um dos grandes desafios para sistemas autônomos é a tarefa de percepção do ambiente, permitindo ao robô ?enxergar? o ambiente em que se encontra, através de sensores, como as câmeras digitais. A recente câmera RGB-D é capaz de captar imagens digitais (RGB) e informações de distância (D), tornando atraente o seu uso em áreas como a robótica móvel. O ambiente pode ser percebido e compreendido pelo sistema computacional através da captura dessas imagens e na aplicação de técnicas computacionais. A segmentação de objetos em imagem é uma grande área de estudo, com crescentes trabalhos, inovações e algoritmos, que podem ser divididos entre abordagens tradicionais e aprendizado de máquina. Este trabalho possui o objetivo de comparar estas abordagens de segmentação de objetos, avaliando a viabilidade de uso para aplicação em cenas de diferentes ângulos de ambientes internos. Para isso, foi realizada uma revisão sistemática de trabalhos de segmentação de objetos, formação de um dataset de cenas de ambientes internos, seleção e aplicação dos trabalhos no dataset formado, e, por fim, a comparação dos resultados através de métricas bem estabelecidas. Os resultados indicam vantagens no uso de imagens RGB-D para a robótica móvel. Indicam também resultados superiores das abordagens aprendizado de máquina em relação às abordagens tradicionais, mas que soluções combinadas podem oferecer melhores resultados. Os recentes avanços e desenvolvimentos das abordagens aprendizado de máquina, das câmeras RGB-D e dos sistemas computacionais tornam promissores o desenvolvimento de pesquisas e aplicações de segmentação de objetos em imagens RGB-D.Abstract: The growing development of robots and autonomous systems has boosted the most diverse research fields. A great challenge for autonomous systems is the task of perceiving the environment, enabling the robot to ?see? the environment in which it?s in, through sensors, such as digital cameras. The recent RGB-D cameras are capable of capturing digital images (RGB) along with distance information (D), making its use attractive in mobile robotics. The environment can be perceived and understood by computational system through the capture of these images and the application of computational techniques. Object segmentation in images is a large research field that has been seeing an increase in works, innovations and algorithms, can be divided into traditional and machine learning approaches. This work aims to compare both approaches of object segmentation, evaluating the feasibility of use for applications in indoor scenes from different angles. The comparison comprises a systematic review of existing object segmentation works, a formation of a dataset with indoor scenes, a selection and application of works in the formed dataset, and, finally, a comparison between results through well-established metrics. These results indicate advantages in the use of RGB-D images for mobile robotics. They also indicate superior results from machine learning approaches when compared to traditional approaches, but both solutions combined can offer even better results. Recent improvements in machine learning approaches, RGB-D cameras and computer systems make the development of research and applications for object semantic segmentation in RGB-D images a promising subject.Stemmer, Marcelo RicardoUniversidade Federal de Santa CatarinaZis, Luiz Eduardo2020-10-21T21:26:17Z2020-10-21T21:26:17Z2020info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis122 p.| il., gráfs.application/pdf370497https://repositorio.ufsc.br/handle/123456789/216155porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2020-10-21T21:26:17Zoai:repositorio.ufsc.br:123456789/216155Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732020-10-21T21:26:17Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Segmentação de objetos em imagens RGB-D: um comparativo entre abordagens tradicionais e baseadas em aprendizado de máquina
title Segmentação de objetos em imagens RGB-D: um comparativo entre abordagens tradicionais e baseadas em aprendizado de máquina
spellingShingle Segmentação de objetos em imagens RGB-D: um comparativo entre abordagens tradicionais e baseadas em aprendizado de máquina
Zis, Luiz Eduardo
Engenharia de sistemas
Automação
Aprendizado do computador
Robótica
Câmeras de vídeo
Imagens digitais
title_short Segmentação de objetos em imagens RGB-D: um comparativo entre abordagens tradicionais e baseadas em aprendizado de máquina
title_full Segmentação de objetos em imagens RGB-D: um comparativo entre abordagens tradicionais e baseadas em aprendizado de máquina
title_fullStr Segmentação de objetos em imagens RGB-D: um comparativo entre abordagens tradicionais e baseadas em aprendizado de máquina
title_full_unstemmed Segmentação de objetos em imagens RGB-D: um comparativo entre abordagens tradicionais e baseadas em aprendizado de máquina
title_sort Segmentação de objetos em imagens RGB-D: um comparativo entre abordagens tradicionais e baseadas em aprendizado de máquina
author Zis, Luiz Eduardo
author_facet Zis, Luiz Eduardo
author_role author
dc.contributor.none.fl_str_mv Stemmer, Marcelo Ricardo
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Zis, Luiz Eduardo
dc.subject.por.fl_str_mv Engenharia de sistemas
Automação
Aprendizado do computador
Robótica
Câmeras de vídeo
Imagens digitais
topic Engenharia de sistemas
Automação
Aprendizado do computador
Robótica
Câmeras de vídeo
Imagens digitais
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2020.
publishDate 2020
dc.date.none.fl_str_mv 2020-10-21T21:26:17Z
2020-10-21T21:26:17Z
2020
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 370497
https://repositorio.ufsc.br/handle/123456789/216155
identifier_str_mv 370497
url https://repositorio.ufsc.br/handle/123456789/216155
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 122 p.| il., gráfs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652293885657088

Registros relacionados