Benutzer: Gast  Login
Originaltitel:
Efficiency by Sparsity: Depth-Adaptive Superpixels and Event-based SLAM 
Übersetzter Titel:
Effizienz durch sparse Datenstrukturen: Tiefenadaptive Superpixel und Ereignisbasierter SLAM 
Jahr:
2014 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Informatik 
Betreuer:
Cremers, Daniel (Prof. Dr.) 
Gutachter:
Cremers, Daniel (Prof. Dr.); Conradt, Jörg (Prof. Dr.) 
Sprache:
en 
Fachgebiet:
DAT Datenverarbeitung, Informatik 
Stichworte:
superpixel, image segmentation, video segmentation, slam, dynamic vision sensors 
Schlagworte (SWD):
Objekterkennung; Navigation; Bildsegmentierung 
TU-Systematik:
DAT 764d 
Kurzfassung:
In this thesis sparse models are used to develop efficient solutions for the detection of objects and the navigation in an unknown environment. Depth-Adaptive Superpixels are a novel image segmentation technique for combined colour and depth sensors which creates excellent oversegmentations and full segmentations for static images or video streams. Event-based SLAM is a novel event-based simultaneous localization and mapping algorithm which uses a biologically inspired dynamic vision sensor...    »
 
Übersetzte Kurzfassung:
In dieser Doktorarbeit werden sparse Modelle verwendet um effiziente Lösungen für die Erkennung von Objekten und die Navigation in einer unbekannten Umgebung zu entwickeln. Tiefenadaptive Superpixel ergeben exzellente Übersegmentierungen und volle Objektsegmentierungen für statische Bilder und Bildsequenzen von kombinierten Farb- und Tiefensensoren. Ereignisbasierter SLAM ist eine neuartige Methode für simultane Lokalisierung und Kartenerstellung die einen biologisch inspirierten Bildsensor...    »
 
Mündliche Prüfung:
01.07.2014 
Dateigröße:
78508066 bytes 
Seiten:
219 
Letzte Änderung:
19.08.2014