Defesa de Dissertação de Mestrado – Luiz Eduardo Zis – 7/5/2020
27/04/2020 15:06
| Defesa de Dissertação de Mestrado | |
| Aluno | Luiz Eduardo Zis |
| Orientador | Prof. Marcelo Ricardo Stemmer, Dr. – DAS/UFSC |
| Data | 7/5/2020 (quinta-feira) – 14 h
Videoconferência |
| Banca | Prof. Marcelo Ricardo Stemmer, Dr. – DAS/UFSC (presidente);
Prof. Tiago Loureiro Figaro da Costa Pinto, Dr. – EMC/UFSC; Prof. Eric Aislan Antonelo, Dr. – DAS/UFSC; |
| Título | Segmentação de Objetos em Imagens RGB-D Aplicadas à Robótica Móvel: um comparativo entre abordagens tradicionais e abordagens em aprendizado de máquina |
| Resumo: 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 para 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 semântica de objetos em imagem é uma grande área de estudo, com crescentes trabalhos, inovações e algoritmos, que podem ser divididos entre abordagens tradicionais e abordagens aprendizado de máquina. Este trabalho possui o objetivo de comparar estas abordagens de segmentação semântica de objetos para aplicação na robótica móvel, avaliando a viabilidade de uso para aplicação em cenas contínuas de ambientes internos. Para isso, foi realizada uma revisão sistemática de trabalhos existentes, seleção de um dataset de cenas contínuas, seleção e aplicação dos trabalhos encontrados no dataset selecionado, 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 semântica de objetos em imagens RGB-D. | |
