Please use this identifier to cite or link to this item:
https://repositorio.ufu.br/handle/123456789/25306
Document type: | Tese |
Access type: | Acesso Aberto |
Title: | Deep visual tracking for fiducial markers: a pilot study in telerehabilitation |
Alternate title (s): | Deep visual tracking aplicado a marcadores fiduciais: um estudo piloto em telereabilitação |
Author: | Mattioli, Fernando Eduardo Resende |
First Advisor: | Lamounier Júnior, Edgard Afonso |
First coorientator: | Cardoso, Alexandre |
First member of the Committee: | Naves, Eduardo Lázaro Martins |
Second member of the Committee: | Peretta, Igor Santos |
Third member of the Committee: | Soares, Luciano Pereira |
Fourth member of the Committee: | Pinho, Márcio Sarroglia |
Summary: | Nas últimas décadas, a evolução tecnológica trouxe grandes avanços para o campo da reabilitação humana. Dentre estes avanços, a disponibilização de serviços de reabilitação para usuários em localidades remotas - conhecida como telereabilitação - tornou possível a realização de tratamento a distância, reduzindo a necessidade de deslocamento aos centros de reabilitação. Além disso, ambientes virtuais e aumentados de treinamento possibilitaram o uso de simulações realísticas no processo de reabilitação, melhorando a experiência dos pacientes e reduzindo sua exposição aos riscos inerentes ao mundo real. Apesar destes benefícios, quando utilizada em um contexto distribuído, a tecnologia de Realidade Aumentada traz novos desafios ao processo de desenvolvimento, incluindo a integração de componentes de software de diferentes provedores. Para estas aplicações, torna-se necessário o desenvolvimento de técnicas de rastreamento mais robustas quanto aos erros de transmissão em rede. Este requisito em particular motivou a experimentação de algoritmos alternativos de rastreamento, incluindo o uso de redes neurais profundas no rastreamento visual. O papel fundamental da topologia das redes no desempenho destes rastreadores demanda a investigação de técnicas de pesquisa automática, incluindo o uso de algoritmos de computação evolutiva para esta finalidade. Neste contexto, este trabalho apresenta como contribuição um modelo de arquitetura de software para Realidade Aumentada, com foco na integração de componentes independentes para transmissão de conteúdo aumentado. Além disso, rastreadores baseados em aprendizagem profunda para detecção de marcadores fiduciais foram projetados, implementados e avaliados, apresentando desempenho superior a outros rastreadores quando aplicados a vídeos capturados por fontes remotas. Finalmente, a aplicação de algoritmos evolutivos na seleção de topologias de redes profundas é discutida, apresentando resultados competitivos quando comparados ao estado da arte. |
Abstract: | In the past few decades, technology evolution has brought many improvements to the field of human rehabilitation. Among these improvements, the delivery of rehabilitation services to users at distant locations - known as telerehabilitation - made it possible to provide patients with home-based therapy, reducing the need for displacement to rehabilitation centers. In addition, the use of virtual and augmented training environments have enabled realistic simulation in the rehabilitation process, enhancing patients’ experience and reducing exposure to real-world risks. Despite these benefits, when used in a distributed context, Augmented Reality technology brings additional challenges to the development process, including the integration of software components provided by heterogeneous sources. Also, the development of robust tracking techniques, less prone to detection errors resulting from network transmission is desired. This particular requirement motivated the development of alternative tracking algorithms, including the use of deep neural networks in visual tracking. When designing these trackers, the major role of network’s topology selection has lead to the investigation of automatic search techniques, including evolutionary computation algorithms. In this context, this work presents as contribution a software architecture model for Augmented Reality, focusing on the reliable integration of independent software components for augmented content streaming. In addition, deep visual trackers for fiducial marker detection were designed and evaluated, outperforming other trackers when processing remotely captured video frames. Finally, the application of an evolutionary algorithm in deep neural networks’ topology selection is discussed, presenting competitive results when compared to state-of-the-art methods. |
Keywords: | Computação evolutiva Evolutionary computing Realidade aumentada Augmented reality Aprendizagem profunda Deep learning Engenharia elétrica |
Area (s) of CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::PROCESSAMENTO GRAFICO (GRAPHICS) |
Language: | eng |
Country: | Brasil |
Publisher: | Universidade Federal de Uberlândia |
Program: | Programa de Pós-graduação em Engenharia Elétrica |
Quote: | MATTIOLI, Fernando Eduardo Resende. Deep visual tracking for fiducial markers: a pilot study in telerehabilitation. 2019. 117 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Federal de Uberlândia, Uberlândia, 2019. DOI http://dx.doi.org/10.14393/ufu.te.2019.635. |
Document identifier: | http://dx.doi.org/10.14393/ufu.te.2019.635 |
URI: | https://repositorio.ufu.br/handle/123456789/25306 |
Date of defense: | 6-May-2019 |
Appears in Collections: | TESE - Engenharia Elétrica |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
DeepVisualTracking.pdf | TESE | 4.87 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.