Detecció visual de bucles en fons marins mitjançant xarxes neuronals

Abstract

Un vehicle autònom disposat en un entorn desconegut s'ha de poder localitzar i desplaçar sense supervisió. SLAM pretén resoldre aquest problema. Un dels punts importants de SLAM és identificar si el robot ha passat abans per un punt donat. Això rep el nom de detecció de bucles. Existeixen diferents mecanismes per resoldre la detecció del bucle. Una de les variants és emprar tècniques d'aprenentatge computacional (machine learning) per comparar imatges. El problema que pretén resoldre aquest treball és crear una Xarxa Neuronal per a la detecció de bucles en fons marins. La detecció de bucles es du a terme sobre imatges del fons marí obtingudes per robots. Les imatges d'entrada de la xarxa es modificaran creant una imatge sintètica fruit d'aplicar transformacions a la imatge original, originant un parell d'imatges relacionades. Es calcularà un descriptor global (HOG) d'una de les imatges implicades en el bucle i s'entrenarà la xarxa per tal que produeixi un descriptor semblant a partir de l'altra imatge implicada en el bucle. D'aquesta forma la xarxa aprendrà a generar descriptors similars davant de parelles d'imatges implicades en bucles. La resolució del problema s'ha implementat amb les llibreries keras en Python. S'ha construït una xarxa neuronal que s'ha avaluat i afinat per oferir millors resultats.

Un vehículo autónomo posicionado en un entorno desconocido se ha de poder localizar y desplazar sin supervisión. SLAM pretende resolver este problema. Uno de los puntos importantes de SLAM es identificar si el robot ha pasado anteriormente por un punto concreto. Esto recibe el nombre de detección de bucles. Existen diferentes mecanismos para resolver la detección del bucle. Una de las variantes es utilizar técnicas de aprendizaje computacional (machine learning) para comparar imágenes. El problema que pretende resolver este trabajo es crear una Red Neuronal para la detección de bucles en fondos marinos. La detección de bucles se realiza sobre imágenes del fondo marino obtenidas por robots. Las imágenes de entrada de la red se modifican creando una imagen sintética producto de aplicar transformaciones a la imagen original, generando un par de imágenes relacionadas. Se calculará un descriptor global (HOG) de una de las imágenes implicadas en el bucle y se entrenará la red para que produzca un descriptor similar a partir de la otra imagen implicada en el bucle. De esta forma la red aprenderá a generar descriptores similares delante de pareja de imágenes implicadas en bucles. La resolución del problema se ha implementado con librería keras en Python. Se ha construido una red neuronal que se ha evaluado y afinado para ofrecer mejores resultados.

An autonomous vehicle placed in a not known environment must be able to be located and moved without supervision. SLAM wants to resolve this problem. Identify when a robot has previously passed through a given point is called loop closure and is an important step on SLAM methodology. There are various mechanisms for resolve loop closure problem. Compare images with machine learning is one of these techniques. The purpose of this work is to create a Neural Network to detect loop closures on seabed. The loop closure detection is performed by images of seabed taken by robots. The input images in Neural Network will be transformed to create a synthetic image, generating a pair of images (the original and the altered). A global descriptor (HOG) will be calculated on one of these loop images and the Network will be trained with the other image to find a similar descriptor. With this training, the Neural Network will learn to generate similar descriptors from pairs of images involved in loop closures. On the resolution of this problem we will use Keras on Python. We built a Neural Network that has been evaluated and then refined to provide better results.