RISS 학술연구정보서비스

검색
자동완성 버튼

인기 검색어

    다국어 입력
    あ ぁ か が さ ざ た だ な は ば ぱ ま や ゃ ら わ ゎ ん い ぃ き ぎ し じ ち ぢ に ひ び ぴ み り う ぅ く ぐ す ず つ づ っ ぬ ふ ぶ ぷ む ゆ ゅ る え ぇ け げ せ ぜ て で ね へ べ ぺ め れ お ぉ こ ご そ ぞ と ど の ほ ぼ ぽ も よ ょ ろ を
    ア ァ カ サ ザ タ ダ ナ ハ バ パ マ ヤ ャ ラ ワ ヮ ン イ ィ キ ギ シ ジ チ ヂ ニ ヒ ビ ピ ミ リ ウ ゥ ク グ ス ズ ツ ヅ ッ ヌ フ ブ プ ム ユ ュ ル エ ェ ケ ゲ セ ゼ テ デ ヘ ベ ペ メ レ オ ォ コ ゴ ソ ゾ ト ド ノ ホ ボ ポ モ ヨ ョ ロ ヲ ―

    http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.

    변환된 중국어를 복사하여 사용하시면 됩니다.

    예시)
    • 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
    • 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
    ㅥ ㅦ ㅧ ㅨ ㅩ ㅪ ㅫ ㅬ ㅭ ㅮ ㅯ ㅰ ㅱ ㅲ ㅳ ㅴ ㅵ ㅶ ㅷ ㅸ ㅹ ㅺ ㅻ ㅼ ㅽ ㅾ ㅿ ㆀ ㆁ ㆂ ㆃ ㆄ ㆅ ㆆ ㆇ ㆈ ㆉ ㆊ ㆋ ㆌ ㆍ ㆎ
    Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω α β γ δ ε ζ η θ ι κ λ μ ν ξ ο π ρ σ τ υ φ χ ψ ω
    á à Á À é è É È ç Ç ê
    Ä Ö Ü ä ö ü ß
    ְ ֳ ֲ ֱ ָ ַ ֵ ֶ ִ ֹ ּ ֻ ׂ ׁ ּ פ ם ן ו ט א ר ק ף ך ל ח י ע כ ג ד ש ץ ת צ מ נ ה ב
    ‘ ’ “ ” 〔 〕 〈 〉 「 」 『 』 【 】 ＂ （ ） ［ ］ ｛ ｝
    ± × ÷ ≠ ≤ ≥ ∞ ∴ ♂ ♀ ∠ ⊥ ⌒ ∂ ∇ ≡ ≒ ≪ ≫ √ ∽ ∝ ∵ ∫ ∬ ∈ ∋ ⊆ ⊇ ⊂ ⊃ ∪ ∩ ∧ ∨ ￢ ⇒ ⇔ ∀ ∃ ∮ ∑ ∏ ＋ － ＜ ＝ ＞
    、 。 · ‥ … ¨ 〃 ― ∥ ＼ ∼ ´ ～ ˇ ˘ ˝ ˚ ˙ ¸ ˛ ¡ ¿ ː ！ ＇ ， ． ／ ： ； ？ ＾ ＿ ｀ ｜
    ½ ⅓ ⅔ ¼ ¾ ⅛ ⅜ ⅝ ⅞ ¹ ² ³ ⁴ ⁿ ₁ ₂ ₃ ₄
    Æ Ð Ħ IJ Ł Ø Œ Þ Ŧ Ŋ æ đ ð ħ ı ij ĸ ŀ ł ø œ ß þ ŧ ŋ ʼn
    А Б В Г Д Е Ё Ж З И Й К Л М Н О П Р С Т У Ф Х Ц Ч Ш Щ Ъ Ы Ь Э Ю Я а б в г д е ё ж з и й к л м н о п р с т у ф х ц ч ш щ ъ ы ь э ю я
    ′ ″ ℃ Å ￠ ￡ ￥ ¤ ℉ ‰ ＄ ％ Ｆ ￦ ㎕ ㎖ ㎗ ℓ ㎘ ㏄ ㎣ ㎤ ㎥ ㎦ ㎙ ㎚ ㎛ ㎜ ㎝ ㎞ ㎟ ㎠ ㎡ ㎢ ㏊ ㎍ ㎎ ㎏ ㏏ ㎈ ㎉ ㏈ ㎧ ㎨ ㎰ ㎱ ㎲ ㎳ ㎴ ㎵ ㎶ ㎷ ㎸ ㎹ ㎀ ㎁ ㎂ ㎃ ㎄ ㎺ ㎻ ㎽ ㎾ ㎿ ㎐ ㎑ ㎒ ㎓ ㎔ Ω ㏀ ㏁ ㎊ ㎋ ㎌ ㏖ ㏅ ㎭ ㎮ ㎯ ㏛ ㎩ ㎪ ㎫ ㎬ ㏝ ㏐ ㏓ ㏃ ㏉ ㏜ ㏆
    § ※ ☆ ★ ○ ● ◎ ◇ ◆ □ ■ △ ▽ → ← ↑ ↓ ↔ 〓 ◁ ◀ ▷ ▶ ♤ ♠ ♡ ♥ ♧ ♣ ⊙ ◈ ▣ ◐ ◑ ▒ ▤ ▥ ▨ ▧ ▦ ▩ ♨ ☏ ☎ ☜ ☞ † ‡ ↕ ↗ ↙ ↖ ↘ ♭ ♩ ♪ ♬ ㉿ ㈜ № ㏇ ™ ㏂ ㏘ ℡ ＃ ＆ ＊ ＠ ª º
    ⅰ ⅱ ⅲ ⅳ ⅴ ⅵ ⅶ ⅷ ⅸ ⅹ Ⅰ Ⅱ Ⅲ Ⅳ Ⅴ Ⅵ Ⅶ Ⅷ Ⅸ Ⅹ
    ا ب ت ث ج ح خ د ذ ر ز س ش ص ض ط ظ ع غ ف ق ک ل م ن ه و ی
    닫기

    딥러닝 기반 KeyPoint/Descriptor 추출 및 Optical Flow 활용한 ORB SLAM 성능 향상 방법론 = Improved ORB SLAM via Deep Learning-based KeyPoint/Descriptor and Optical Flow-based Matching

    한글로보기

    https://www.riss.kr/link?id=T16938133

    • 0

      상세조회

    • 0

      다운로드
    서지정보 열기
    • 내보내기
    • 내책장담기
    • 공유하기
    • 오류접수

    부가정보

    국문 초록 (Abstract) kakao i 다국어 번역

    한국어
    영어
    Visual SLAM(Simultaneous Localization And Mapping)은 카메라를 사용하여 이 미지로부터 3차원 공간에서의 측위 및 지도 작성을 동시에 수행하는 시스템이다. 라이다보다 저렴하고 센서 배치에 유연하며 GPS와 HD(High Definition) 지도를 활 용하기 어려운 환경에서도 사용할 수 있어서 실내 로봇, AR(Augmented Reality), VR(Virtual Reality), Autonomous Driving 등 다양한 분야에서 활발하게 연구되고 있다. 이미지로부터 3차원 공간을 만들기 위해서는 연속된 이미지들에서 같은 영역 을 나타낼 수 있는 특징점이 필요하다. 반복성과 신뢰성을 갖춘 강건한 특징점은 카메라의 정확한 자세와 경로를 추정할 수 있지만, 전통적인 특징점 추출 알고리즘 은 카메라가 취약할 수 있는 다양한 조도와 환경에 전부 대응하여 강인한 특징점을 만드는 데 한계가 있다. 본 논문에서는 Deep Learning 기법을 활용하여 기존의 특 징점 및 기술자를 대체하는 방법론을 제안한다. 반복성과 신뢰성이 우수한 특징점 을 얻기 위해 L2-Net을 기반으로 하는 R2D2(Repeatable and Reliable Detector and Descriptor)를 활용하였다. 학습 단계에서 특징점의 높은 반복성과 적절한 개수 를 얻기 위해 손실 함수에 사용되는 패치의 크기는 N=48로 결정하였다. 추론된 특 징점들과 기술자들은 임계 이상에 반복성과 신뢰성을 나타내는 경우에만 SLAM에 사용된다. 또한, 옵티컬 플로우로 이미지 내에 재투영 영역을 제한하여 매칭 정확도 를 향상한다. 본 실험에서는 검증을 위해 KITTI Odometry 데이터 세트를 활용하 였으며 Mono SLAM에 대해 평가하였다. 실험 결과 ORB를 사용한 기존에 ORB SLAM보다 대부분에 실험데이터에서 더 낮은 RMSE 경로 오차를 달성할 수 있었 으며 일부 데이터에서 발생했던 Tracking Loss 문제도 해결되었다.
    번역하기

    Visual SLAM(Simultaneous Localization And Mapping)은 카메라를 사용하여 이 미지로부터 3차원 공간에서의 측위 및 지도 작성을 동시에 수행하는 시스템이다. 라이다보다 저렴하고 센서 배치에 유연하며 ...

    Visual SLAM(Simultaneous Localization And Mapping)은 카메라를 사용하여 이 미지로부터 3차원 공간에서의 측위 및 지도 작성을 동시에 수행하는 시스템이다. 라이다보다 저렴하고 센서 배치에 유연하며 GPS와 HD(High Definition) 지도를 활 용하기 어려운 환경에서도 사용할 수 있어서 실내 로봇, AR(Augmented Reality), VR(Virtual Reality), Autonomous Driving 등 다양한 분야에서 활발하게 연구되고 있다. 이미지로부터 3차원 공간을 만들기 위해서는 연속된 이미지들에서 같은 영역 을 나타낼 수 있는 특징점이 필요하다. 반복성과 신뢰성을 갖춘 강건한 특징점은 카메라의 정확한 자세와 경로를 추정할 수 있지만, 전통적인 특징점 추출 알고리즘 은 카메라가 취약할 수 있는 다양한 조도와 환경에 전부 대응하여 강인한 특징점을 만드는 데 한계가 있다. 본 논문에서는 Deep Learning 기법을 활용하여 기존의 특 징점 및 기술자를 대체하는 방법론을 제안한다. 반복성과 신뢰성이 우수한 특징점 을 얻기 위해 L2-Net을 기반으로 하는 R2D2(Repeatable and Reliable Detector and Descriptor)를 활용하였다. 학습 단계에서 특징점의 높은 반복성과 적절한 개수 를 얻기 위해 손실 함수에 사용되는 패치의 크기는 N=48로 결정하였다. 추론된 특 징점들과 기술자들은 임계 이상에 반복성과 신뢰성을 나타내는 경우에만 SLAM에 사용된다. 또한, 옵티컬 플로우로 이미지 내에 재투영 영역을 제한하여 매칭 정확도 를 향상한다. 본 실험에서는 검증을 위해 KITTI Odometry 데이터 세트를 활용하 였으며 Mono SLAM에 대해 평가하였다. 실험 결과 ORB를 사용한 기존에 ORB SLAM보다 대부분에 실험데이터에서 더 낮은 RMSE 경로 오차를 달성할 수 있었 으며 일부 데이터에서 발생했던 Tracking Loss 문제도 해결되었다.

    더보기

    다국어 초록 (Multilingual Abstract) kakao i 다국어 번역

    영어
    한국어
    Visual Simultaneous Localization and Mapping (SLAM) is a system that utilizes
    cameras to simultaneously perform localization and mapping in three-dimensional
    space based on images. It is being actively researched in various fields such as
    indoor robotics, Augmented Reality (AR), Virtual Reality (VR), and Autonomous
    Driving due to its cost-effectiveness, sensor flexibility, and applicability in
    environments where GPS and High Definition (HD) maps may be challenging to
    use. To create a three-dimensional space from images, robust feature points
    capable of exhibiting repeatability and reliability in various lighting and
    environmental conditions are required. Traditional feature point extraction
    algorithms have limitations in generating robust feature points that can adapt to
    the vulnerabilities of the camera. In this paper, we propose a methodology that
    leverages Deep Learning techniques to replace conventional feature points and
    descriptors. We utilize R2D2 (Repeatable and Reliable Detector and Descriptor)
    based on L2-Net to obtain feature points with superior repeatability and
    reliability. In the training phase, a patch size of N=48 is determined for the loss
    function to ensure high repeatability and an appropriate number of feature
    points. The inferred feature points and descriptors are only used in SLAM when
    they exhibit repeatability and reliability above a certain threshold. Additionally,
    restricting re-projection areas within the images using optical flow improves matching accuracy. For validation, we used the KITTI Odometry dataset and
    evaluated it for Mono SLAM. Experimental results demonstrated that our
    approach achieved lower Root Mean Square Error (RMSE) path errors in most
    cases compared to the conventional ORB SLAM, addressing tracking loss issues
    in certain scenarios.
    번역하기

    Visual Simultaneous Localization and Mapping (SLAM) is a system that utilizes cameras to simultaneously perform localization and mapping in three-dimensional space based on images. It is being actively researched in various fields such as indoor robot...

    Visual Simultaneous Localization and Mapping (SLAM) is a system that utilizes
    cameras to simultaneously perform localization and mapping in three-dimensional
    space based on images. It is being actively researched in various fields such as
    indoor robotics, Augmented Reality (AR), Virtual Reality (VR), and Autonomous
    Driving due to its cost-effectiveness, sensor flexibility, and applicability in
    environments where GPS and High Definition (HD) maps may be challenging to
    use. To create a three-dimensional space from images, robust feature points
    capable of exhibiting repeatability and reliability in various lighting and
    environmental conditions are required. Traditional feature point extraction
    algorithms have limitations in generating robust feature points that can adapt to
    the vulnerabilities of the camera. In this paper, we propose a methodology that
    leverages Deep Learning techniques to replace conventional feature points and
    descriptors. We utilize R2D2 (Repeatable and Reliable Detector and Descriptor)
    based on L2-Net to obtain feature points with superior repeatability and
    reliability. In the training phase, a patch size of N=48 is determined for the loss
    function to ensure high repeatability and an appropriate number of feature
    points. The inferred feature points and descriptors are only used in SLAM when
    they exhibit repeatability and reliability above a certain threshold. Additionally,
    restricting re-projection areas within the images using optical flow improves matching accuracy. For validation, we used the KITTI Odometry dataset and
    evaluated it for Mono SLAM. Experimental results demonstrated that our
    approach achieved lower Root Mean Square Error (RMSE) path errors in most
    cases compared to the conventional ORB SLAM, addressing tracking loss issues
    in certain scenarios.

    더보기

    목차 (Table of Contents)

    • 제 1 장 서 론 1
    • 1.1 연구 배경 1
    • 1.2 SLAM(Simultaneous Localization and Mapping) 기술 동향 4
    • 1.3 연구 기여 6
    • 1.4 논문 구성 7
    • 제 1 장 서 론 1
    • 1.1 연구 배경 1
    • 1.2 SLAM(Simultaneous Localization and Mapping) 기술 동향 4
    • 1.3 연구 기여 6
    • 1.4 논문 구성 7
    • 제 2 장 관련 연구 8
    • 2.1 ORB(Oriented FAST and Rotated BRIEF) Extractor 9
    • 2.2 딥러닝 기반 특징점 검출 10
    • 2.2.1 Improved ORB SLAM via Deep Learning-based 13
    • 2.3 Optical Flow 14
    • 제 3 장 제안하는 방법론 18
    • 3.1 R2D2(Repeatable and Reliable Detector and Descriptor) 18
    • 3.2 옵티컬 플로우를 통한 매칭 보조 20
    • 3.2.1 Rotation Flow Filter 24
    • 3.2.2 Cross Flow Filter 26
    • 제 4 장 실험 결과 28
    • 4.1 실험 환경 28
    • 4.2 실험 결과 30
    • 4.3 추가 실험 34
    • 제 5 장 결론 36
    • 5.1 결론 및 기대 효과 36
    • 5.2 향후 과제 37
    • 참고문헌 38
    • Abstract 41
    더보기

    분석정보

    View

    상세정보조회

    0

    Usage

    원문다운로드

    0

    대출신청

    0

    복사신청

    0

    EDDS신청

    0

    동일 주제 내 활용도 TOP

    더보기

    주제

    연도별 연구동향

    연도별 활용동향

    연관논문

    연구자 네트워크맵

    공동연구자 (7)

    유사연구자 (20) 활용도상위20명

    이 자료와 함께 이용한 RISS 자료

    나만을 위한 추천자료

    해외이동버튼