Estimação de distâncias de objetos em imagens de câmeras monoculares utilizando medes neurais profundas
dc.contributor.advisor1 | Cardoso, Álisson Assis | |
dc.contributor.referee1 | Cardoso, Álisson Assis | |
dc.contributor.referee1 | Vieira, Flávio Henrique Teles | |
dc.contributor.referee1 | Lopes Filho, Gilberto | |
dc.creator | Caraíba, André Felipe dos Santos | |
dc.date.accessioned | 2024-08-21T11:12:34Z | |
dc.date.available | 2024-08-21T11:12:34Z | |
dc.date.issued | 2024-08-01 | |
dc.description.resumo | A estimação de distância e uma tarefa essencial para muitas aplicações como navegação de robos moveis, sistemas de navegação de veículos autônomos e dispositivos de assistência para pessoas com deficiência visual. Diferentes sensores, como LiDAR e câmeras estéreo, podem ser empregados nessa tarefa. No entanto, sensores de distância 3D, como LiDAR, possuem alto custo e apresentam problemas de sincronização. Câmeras de profundidade ou câmeras estereos ao comumente usadas, mas sofrem de dificuldades de calibração e geralmente não apresentam bons resultados em longos alcances. Câmeras monoculares oferecem uma solução econômica e versátil para realizar a estimação de distância. Com o avanço das técnicas de aprendizado profundo, diversos trabalhos propõem estimar à distância de objetos usando detecção de objetos e mapas de profundidade a partir de imagens ˜ de câmeras monoculares. Este trabalho se propõe a desenvolver uma rede neural capaz ˜ de estimar à distância de objetos usando imagens RGB capturadas por câmeras monoculares, foram testados diversos métodos e proposta uma nova arquitetura (CustomNet). O modelo proposto utiliza uma rede pre-treinada para estimação de profundidade, MiDaS, em conjunto com uma rede de detecção de objetos, ˜ YOLOv8, para extração de um vetor de características usado como entrada para uma Rede Neural Multicamadas que estima a distância final absoluta. Os resultados mostram que a abordagem proposta (CustomNet) supera abordagens alternativas em trabalhos anteriores, como DisNet, e supera outras abordagens desenvolvidas ao decorrer deste trabalho, como MLP simples e AlexNet. Dentre os modelos desenvolvidos neste trabalho, a rede convolucional VGG alcanço o menor erro na estimação da distância dentre os testes realizados. | |
dc.identifier.citation | CARAÍBA, André Felipe dos Santos. Estimação de distâncias de objetos em imagens de câmeras monoculares utilizando redes neurais profundas. 2024. 8 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica) – Escola de Engenharia Elétrica, Mecânica e de Computação, Universidade Federal de Goiás, Goiânia, 2024. | |
dc.identifier.uri | http://repositorio.bc.ufg.br//handle/ri/25359 | |
dc.language.iso | por | |
dc.publisher | Universidade Federal de Goiás | |
dc.publisher.country | Brasil | |
dc.publisher.course | Engenharia Elétrica (RMG) | |
dc.publisher.department | Escola de Engenharia Elétrica, Mecânica e de Computação - EMC (RMG) | |
dc.publisher.initials | UFG | |
dc.rights | Acesso Aberto | |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.subject | Estimação de distância | |
dc.subject | Aprendizado profundo | |
dc.subject | Detecção de objetos | |
dc.subject | Câmaras moleculares | |
dc.subject | Redes neurais profundas | |
dc.subject | Midas | |
dc.subject | Yolov8 | |
dc.subject | Regressão | |
dc.subject | Mapas de profundidade | |
dc.title | Estimação de distâncias de objetos em imagens de câmeras monoculares utilizando medes neurais profundas | |
dc.type | Trabalho de conclusão de curso de graduação (TCCG) |
Arquivos
Pacote Original
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- TCCG - Engenharia Elétrica - Andre Felipe dos Santos Caraíba - 2024.pdf
- Tamanho:
- 3.82 MB
- Formato:
- Adobe Portable Document Format
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: