La tecnologia consente di incrementare l’efficacia di soluzioni stato dell’arte per la stima della distanza da immagini basate su apprendimento automatico e non. E’ applicabile a soluzioni preaddestrate o può essere utilizzata anche in fase di apprendimento per migliorare ulteriormente i risultati
| Titolo brevetto | Metodo di determinazione della profondità da immagini e relativo sistema |
|---|---|
| Area | Industria, Digitale e Sicurezza |
| Titolarità | ALMA MATER STUDIORUM - UNIVERSITA' DI BOLOGNA |
| Inventori | Stefano Mattoccia, Fabio Tosi, Davide Pallotti, Matteo Poggi |
| Ambito territoriale di tutela | Italia, Europa, USA, Cina |
| Stato | Disponibile per accordi di sviluppo, opzione, licenza e altri accordi di valorizzazione |
| Keywords | Stima della profondità, Ricostruzione 3D, Apprendimento automatico, Sensori attivi, Fusione di sensori di profondità. |
| Depositato il | 17 maggio 2019 |
Lo stato dell’arte per la stima della distanza dei punti in una scena da immagini è rappresentato da tecniche di stereo matching. In particolare, i risultati più accurati sono ottenuti tramite algoritmi di apprendimento automatico (deep learning). In passato altre soluzioni hanno proposto di integrare la tecnologia stereo con altri sensori attivi (ad esempio, ToF). Tuttavia, queste tecniche non sono adeguate all’integrazione con moderni algoritmi di apprendimento automatico, che però rappresentano lo stato dell’arte nel settore.
La tecnologia proposta agisce sulla rappresentazione astratta della scena interna all’algoritmo di apprendimento. In particolare, i dati ottenuti tramite sensore esterno (o algoritmo non basato su apprendimento) vengono utilizzati per amplificare la distribuzione dei dati interna all’algoritmo in corrispondenza di valori consistenti con quanto misurato dal sensore o algoritmo. Tale formulazione è flessibile ed estendibile alla combinazione fra sensore e algoritmo non appreso.
La tecnologia proposta migliora notevolmente l’accuratezza di algoritmi stereo allo stato dell’arte basati su apprendimento o tradizionale. In particolare, queste soluzioni soffrono principalmente in scenari molto diversi da quelli osservati in fase di addestramento, la tecnologia proposta consente di risolvere parzialmente questo limite, garantendo risultati molto più accurati in condizioni avverse come in caso di scarsa illuminazione o condizioni meteo difficili.