İnsansız araçlar için anlamsal bölütleme ile imge tabanlı konumlandırma

Abstract

One of the research topics that maintains its popularity in the field of Computer Vision is place recognition and localization for autonomous vehicles. It is a known fact that GPS systems used for localizing vehicle cannot be activated in some cases and this inability has accelerated image based positioning studies. In our study, we performed image based localization using dataset that includes Malaga city center images. Firstly, a semantic descriptor is obtained as a result of semantic segmentation and localization was performed using the approximate nearest neighbor search. After that, success of this method was compared with the success of the local descriptor based method which is frequently used in the literature. Furthermore, a hybrid method obtained by combining these two methods is proposed. The superiority of the proposed hybrid image-based localization method, and hereby contribution of the semantic descriptor is demonstrated by experimental results. © 2019 IEEE.

Bilgisayarlı Görü alanındaki popülerliğini koruyan araştırma konularından birisi insansız araçlarda yer tespiti ve konumlandırmadır. Araçların konumlandırılmasında kullanılan GPS sistemlerinin bazı durumlarda faal olamadığı bilinen bir gerçektir ve bu yetersizlik imge tabanlı konumlandırma çalışmalarına hız vermiştir. Bizim çalışmamızda, araç içinden elde edilmiş Malaga şehir merkezi görüntülerinden oluşan bir veri tabanı kullanılarak imge tabanlı konumlandırma yapılmıştır. İlk olarak, anlamsal (semantik) bölütleme sonucunda elde edilen bir anlamsal betimleyici oluşturulmuş ve yaklaşık en yakın komşuluk araması tekniği de kullanılarak bir konumlandırma yapılmıştır. Ardından bu yöntemin başarısı, literatürde sıkça kullanılan yerel betimleyici tabanlı yöntemin başarısıyla kıyaslanmıştır. Ayrıca, bu iki yöntemin birleştirilmesi ile elde edilen melez bir yöntem önerilmiştir. Önerilen melez imge-tabanlı konumlandırmanın, sadece yerel betimleyici ve sadece anlamsal betimleyici kullanan yöntemden daha başarılı olduğu, dolayısıyla yerel betimleyici tabanlı yöntemlerin anlamsal betimleyiciler ile desteklenmesinin başarıyı artırdığı, deneysel sonuçlarla gösterilmiştir.