Odometria visual não-supervisionada por meio da maximização de informações mútuas

• Processo: 20/08846-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de agosto de 2020
• Data de Término da vigência: 28 de fevereiro de 2021
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Esther Luna Colombini
• Beneficiário: Rafael Figueiredo Prudencio
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Robótica Aprendizagem profunda Aprendizado de máquina não supervisionado Iodometria
• Palavra(s)-Chave do Pesquisador: Deep Learning | Mutual Information | Visual Odometry | Robótica Inteligente

Resumo

Um dos objetivos principais do aprendizado de máquina é aprender representações úteis. Uma idéia simples que não foi explorada em muitos campos é treinar funções de aprendizado de representação para maximizar informações mútuas entre suas entradas e saídas. Essa ideia é poderosa porque permite aprender recursos de maneira não supervisionada. O aprendizado não supervisionado é extremamente importante em tarefas nas quais é caro obter dados verdadeiros. Nesse contexto, este projeto visa aplicar uma estrutura de maximização de informações mútuas à odometria visual, que é o processo de estimar o movimento de um agente usando apenas os dados de sua câmera. Apesar de ser dispendioso obter informações de referência sobre a pose de cada quadro da imagem, a maioria dos métodos de odometria visual utilizam abordagens de aprendizado supervisionado. Até onde sabemos, a maximização da informação mútua não foi aplicada à odometria visual como uma abordagem de aprendizado não supervisionada. Portanto, este trabalho propõe uma nova estrutura de aprendizado não supervisionado para odometria visual e visa quantificar sua contribuição para a tarefa.