Probabilistic Graphical Models applied to Road Segmentation
Autores
Passani Montero, MarioDirector
Bergasa Pascual, Luis MiguelFecha de publicación
2015Máster
Máster Universitario en Sistemas Electrónicos Avanzados. Sistemas Inteligentes (M128)
Palabras clave
Probabilistic graphical models
Computer vision
Conditional random fields
Machine learning
Pattern recognition
Tipo de documento
info:eu-repo/semantics/masterThesis
Versión
info:eu-repo/semantics/acceptedVersion
Derechos
Atribución-NoComercial-SinDerivadas 3.0 España
Derechos de acceso
info:eu-repo/semantics/openAccess
Resumen
El futuro de los vehículos autónomos y de los sistemas avanzados de asistencia al conductor
se sustenta en el desarrollo de sistemas de percepción capaces de proporcionar una detección
rápida y precisa del entorno que rodea al vehículo. A pesar del largo trecho recorrido en el
campo de detección de carretera, existe todavía un trecho importante en investigación para
lograr incorporar capacidades de entendimiento de escena a los vehículos inteligentes. Este
trabajo de fin de máster presenta un sistema de segmentación de carreteras a nivel de bit a partir
de imágenes monoculares. La propuesta se basa en un modelo gráfico probabilístico y una
serie de algoritmos y configuraciones seleccionadas oportunamente para acelerar el proceso
de inferencia. En breve, el método propuesto emplea Conditional Random Fields y Uniformly
Reweighted Belief Propagation. Por otro lado, el algortimo se valida en el dataset KITTI ROAD,
alcanzando resultados en la línea del estado del arte pero con el tiempo de cómputo por imagen
más bajo usando un PC estándar. The future of autonomous vehicles and driver assistance systems is underpinned by the
need of fast and efficient approaches for road scene understanding. Despite the large explored
paths for road detection, there is still a research gap for incorporating image understanding
capabilities in intelligent vehicles. This Master thesis presents a pixelwise segmentation of
roads from monocular images. The proposal is based on a probabilistic graphical model and
a set of algorithms and configurations chosen to speed up the inference of the road pixels. In
brief, the proposed method employs Conditional Random Fields and Uniformly Reweighted
Belief Propagation. Besides, the approach is ranked on the KITTI ROAD dataset yielding state-
of-the-art results with the lowest runtime per image using a standard PC.
Ficheros en el ítem
| Ficheros | Tamaño | Formato |
|
|---|---|---|---|
| TFM-Passani-Montero-2015.pdf | 23.82Mb |
|
| Ficheros | Tamaño | Formato |
|
|---|---|---|---|
| TFM-Passani-Montero-2015.pdf | 23.82Mb |
|
Colecciones
- Trabajos Fin de Máster (TFM) [4272]















