Comparação de cenas subaquáticas a partir imagens acústicas baseada em aprendizado profundo

• Ano de defesa: 2018
• Autor(a) principal: Ribeiro, Pedro Otávio Cardozo de Souza
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Engenharia de computação; Robótica subaquática; Sonar de imageamento frontal; Imagens subaquáticas; Imagens acústicas; Processamento de imagens; Restauração de imagens; Similaridade; Aprendizagem; Redes neurais convolutivas; Computer engineering; Underwater robotics; Forward looking sonars; Underwater images; Acoustic images; Image processing; Image restoration; Similarity; Metric learning; Deep learning; Convolutional neural networks
• Link de acesso: http://repositorio.furg.br/handle/1/8123

Sonares de imageamento frontal são sensores de percepção subaquática que não são afetados pela turbidez. São empregados para auxiliar Veículos Operados Remotamente (ROVs) nas tarefas de exploração, navegação e mapeamento de regiões. Apesar das vantagens do uso de imagens acústicas sobre as imagens ópticas, as primeiras possuem inúmeros desafios inerentes à sua aquisição e representação. Algoritmos de Visão Computacional clássicos possuem restrições quando aplicados a imagens acústicas. O presente trabalho tem como objetivo propor um método para o problema de comparar duas cenas subaquáticas a partir de imagens acústicas obtidas por Forward Looking Sonar - Sonar de Varredura Frontal (FLS), avaliando o par de imagens quanto às suas similaridades. São descritas e comparadas algumas das principais abordagens de aprendizagem de profunda para o problema. Dentre elas foi proposta uma arquitetura de regressão para análise da cena, que foi comparada com um método desenvolvido especificamente para comparação de cenas a partir de imagens Forward Looking Sonar - Sonar de Varredura Frontal (FLS). Na comparação descrita, a arquitetura de regressão de similaridade proposta obteve melhores resultados. Também foi proposta uma nova estratégia de extração de características para imagens de FLS usando aprendizagem de métrica. Esta estratégia foi comparada com outra abordagem estado-da-arte para obtenção de características, também obtendo resultados superiores na tarefa de recuperação de imagens.