SiameseVO-Depth: odometria visual através de redes neurais convolucionais siamesas

Odometria Visual e um importante processo na navegacao de robos baseada em imagens. Os metodos classicos deste tema dependem de boas correspondencias de caracteristicas feitas entre imagens sendo que a deteccao de caracteristicas em imagens e um tema amplamente discutido no campo de Visao Computacional. Estas tecnicas estao sujeitas a problemas de iluminacao, presenca de ruido e baixa de acuracia de localizacao. Nesse contexto, a informacao tridimensional de uma cena pode ser uma forma de mitigar as incertezas sobre as caracteristicas em imagens. Tecnicas de Deep Learning tem demonstrado bons resultados lidando com problemas comuns em tecnicas de OV como insuficiente iluminacao e erros na selecao de caracteristicas. Ainda que ja existam trabalhos que relacionam Odometria Visual e Deep Learning, nao foram encontradas tecnicas que utilizem Redes Convolucionais Siamesas com sucesso utilizando informacoes de profundidade de mapas de disparidade durante esta pesquisa. Este trabalho visa preencher esta lacuna aplicando Deep Learning na estimativa do movimento por de mapas de disparidade em uma arquitetura Siamesa. A arquitetura SiameseVO-Depth proposta neste trabalho e comparada a tecnicas do estado da arte em OV utilizando a base de dados KITTI Vision Benchmark Suite. Os resultados demonstram que atraves da metodologia proposta e possivel a estimativa dos valores de uma Odometria Visual ainda que o desempenho nao supere tecnicas consideradas estado da arte. O trabalho proposto possui menos etapas em comparacao com tecnicas classicas de OV por apresentar-se como uma solucao fim-a-fim e apresenta nova abordagem no campo de Deep Learning aplicado a Odometria Visual.