Metodologie di apprendimento automatico applicate alla generazione di dati 3D


Autoria(s): Ugolini, Matilde
Contribuinte(s)

Mattoccia, Stefano

Data(s)

16/03/2016

Resumo

Il framework in oggetto, è un ambiente ideato con lo scopo di applicare tecniche di Machine Learning (in particolare le Random Forest) alle funzionalità dell'algoritmo di stereo matching SGM (Semi Global Matching), al fine di incrementarne l'accuratezza in versione standard. Scopo della presente tesi è quello di modificare alcune impostazioni di tale framework rendendolo un ambiente che meglio si adatti alla direzionalità delle scanline (introducendo finestre di supporto rettangolari e ortogonali e il training di foreste separate in base alla singola scanline) e ampliarne le funzionalità tramite l'aggiunta di alcune nuove feature, quali la distanza dal più vicino edge direzionale e la distintività calcolate sulle immagini Left della stereo pair e gli edge direzionali sulle mappe di disparità. Il fine ultimo sarà quello di eseguire svariati test sui dataset Middlebury 2014 e KITTI e raccogliere dati che descrivano l'andamento in positivo o negativo delle modifiche effettuate.

Formato

application/pdf

Identificador

http://amslaurea.unibo.it/10415/1/Metodologie_di_apprendime.pdf

Ugolini, Matilde (2016) Metodologie di apprendimento automatico applicate alla generazione di dati 3D. [Laurea], Università di Bologna, Corso di Studio in Ingegneria informatica [L-DM270] <http://amslaurea.unibo.it/view/cds/CDS0926/>

Relação

http://amslaurea.unibo.it/10415/

Direitos

info:eu-repo/semantics/openAccess

Palavras-Chave #stereovision machinelearning SGM randomforest computervision stereomatching disparity Middlebury KITTI openCV #scuola :: 843884 :: Ingegneria e Architettura #cds :: 0926 :: Ingegneria informatica [L-DM270] #sessione :: terza
Tipo

PeerReviewed