Mostrar el registro sencillo del ítem

dc.contributor.author
Cremona, Javier Alejandro  
dc.contributor.author
Uzal, Lucas César  
dc.contributor.author
Pire, Taihú Aguará Nahuel  
dc.date.available
2023-09-20T16:09:11Z  
dc.date.issued
2021-12  
dc.identifier.citation
Cremona, Javier Alejandro; Uzal, Lucas César; Pire, Taihú Aguará Nahuel; WGANVO: Odometría visual monocular basada en redes adversarias generativas; Comité Español de Automática; Revista Iberoamericana de Automática e Informática Industrial; 19; 2; 12-2021; 144-153  
dc.identifier.issn
1697-7912  
dc.identifier.uri
http://hdl.handle.net/11336/212342  
dc.description.abstract
Los sistemas tradicionales de odometría visual (VO), directos o basados en características visuales, son susceptibles de cometer errores de correspondencia entre imágenes. Además, las configuraciones monoculares sólo son capaces de estimar la localización sujeto a un factor de escala, lo que hace imposible su uso inmediato en aplicaciones de robótica o realidad virtual. Recientemente, varios problemas de Visión por Computadora han sido abordados con éxito por algoritmos de Aprendizaje Profundo. En este trabajo presentamos un sistema de odometría visual monocular basado en Aprendizaje Profundo llamado WGANVO. Específicamente, entrenamos una red neuronal basada en GAN para regresionar una estimación de movimiento. El modelo resultante recibe un par de imágenes y estima el movimiento relativo entre ellas. Entrenamos la red neuronal utilizando un enfoque semi-supervisado. A diferencia de los sistemas monoculares tradicionales basados en geometría, nuestro método basado en Deep Learning es capaz de estimar la escala absoluta de la escena sin información extra ni conocimiento previo. Evaluamos WGANVO en el conocido conjunto de datos KITTI. Demostramos que nuestro sistema funciona en tiempo real y la precisión obtenida alienta a seguir desarrollando sistemas de localización basados en Aprendizaje Profundo.  
dc.description.abstract
Traditional Visual Odometry (VO) systems, direct or feature-based, are susceptible to matching errors between images. Furthermore, monocular configurations are only capable of estimating localization up to a scale factor, making impossible to use them out-of-the-box in robotics or virtual reality application. Recently, several Computer Vision problems have been successfully tackled by Deep Learning algorithms. In this paper we introduce a Deep Learning-based monocular Visual Odometry system called WGANVO. Specifically, we train a GAN-based neural network to regress a motion estimate. The resulting model receives a pair of images and estimates the relative motion between them. We train the neural network using a semi-supervised approach. In contrast to traditional geometry-based monocular systems, our Deep Learning-based method is able to estimate the absolute scale of the scene without extra information and prior knowledge. We evaluate WGANVO on the well-known KITTI dataset. We show that our system works in real time and the accuracy obtained encourages further development of Deep Learning-based localization systems.  
dc.format
application/pdf  
dc.language.iso
eng  
dc.publisher
Comité Español de Automática  
dc.rights
info:eu-repo/semantics/openAccess  
dc.rights.uri
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/  
dc.subject
LOCALIZATION  
dc.subject
MOBILE ROBOTS  
dc.subject
NEURAL NETWORKS  
dc.subject.classification
Ciencias de la Computación  
dc.subject.classification
Ciencias de la Computación e Información  
dc.subject.classification
CIENCIAS NATURALES Y EXACTAS  
dc.title
WGANVO: Odometría visual monocular basada en redes adversarias generativas  
dc.title
WGANVO: Monocular visual odometry based on generative adversarial networks  
dc.type
info:eu-repo/semantics/article  
dc.type
info:ar-repo/semantics/artículo  
dc.type
info:eu-repo/semantics/publishedVersion  
dc.date.updated
2023-09-19T13:12:45Z  
dc.identifier.eissn
1697-7920  
dc.journal.volume
19  
dc.journal.number
2  
dc.journal.pagination
144-153  
dc.journal.pais
España  
dc.journal.ciudad
Valencia  
dc.description.fil
Fil: Cremona, Javier Alejandro. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Rosario. Centro Internacional Franco Argentino de Ciencias de la Información y de Sistemas. Universidad Nacional de Rosario. Centro Internacional Franco Argentino de Ciencias de la Información y de Sistemas; Argentina  
dc.description.fil
Fil: Uzal, Lucas César. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Rosario. Centro Internacional Franco Argentino de Ciencias de la Información y de Sistemas. Universidad Nacional de Rosario. Centro Internacional Franco Argentino de Ciencias de la Información y de Sistemas; Argentina  
dc.description.fil
Fil: Pire, Taihú Aguará Nahuel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Rosario. Centro Internacional Franco Argentino de Ciencias de la Información y de Sistemas. Universidad Nacional de Rosario. Centro Internacional Franco Argentino de Ciencias de la Información y de Sistemas; Argentina  
dc.journal.title
Revista Iberoamericana de Automática e Informática Industrial  
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/url/https://polipapers.upv.es/index.php/RIAI/article/view/16113  
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/doi/http://dx.doi.org/10.4995/RIAI.2022.16113