Computer vision and GIS for the navigation of blind persons in buildings

Serrao, Mariano; Shahrabadi, Somayeh; Moreno, Márcio Ferreira; José, João; Rodrigues, José; Rodrigues, João M. F.; Buf, J. M. H. du

doi:10.1007/s10209-013-0338-8

Cited by 36 publications

(14 citation statements)

References 16 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The stronger the illuminance, the poorer the quality of the resulting 3D map. Thus, passive stereo cameras keep on being employed for outdoor applications related to navigation [25] whereas active ones are leading the indoor application usage. Examples of commercially available active stereo cameras are the Microsoft Kinect 3 and the Asus Xtion 4 .…”

Section: Stereo Camerasmentioning

confidence: 99%

Low-power depth-based descending stair detection for smart assistive devices

Cloix

Bologna

Weiss

et al. 2016

J Image Video Proc.

View full text Add to dashboard Cite

Assistive technologies aim at improving personal mobility of individuals with disabilities, increasing their independence and their access to social life. They include mechanical mobility aids that are increasingly employed amongst the older people who rely on them. However, these devices might fail to prevent falls due to the under-estimation of approaching hazards. Stairs and curbs are among these potential dangers present in urban environments and living accommodations, which increase the risk of an accident. We present and evaluate a low-complexity algorithm to detect descending stairs and curbs of any shape, specifically designed for low-power real-time embedded platforms. Based on a passive stereo camera, as opposed to a 3D active sensor, we assessed the detection accuracy, processing time and power consumption. Our goal being to decide on three possible situations (safe, dangerous and potentially unsafe), we achieve to distinguish more than 94 % dangers from safe scenes within a 91 % overall recognition rate at very low resolution. This is accomplished in real-time with robustness to indoor/outdoor lighting conditions. We show that our method can run for a day on a smartphone battery.

show abstract

Section: Stereo Camerasmentioning

confidence: 99%

Low-power depth-based descending stair detection for smart assistive devices

Cloix

Bologna

Weiss

et al. 2016

J Image Video Proc.

View full text Add to dashboard Cite

show abstract

“…We address the task of interactive full image segmentation, where the goal is to obtain accurate segmentations for all object and stuff regions in the image. Full image annotations are important for many applications such as self-driving cars [17,19], navigation assistance for the blind [51], and automatic image captioning [25,56]. However, creating such datasets requires large amounts of human labor.…”

Section: Introductionmentioning

confidence: 99%

Interactive Full Image Segmentation by Considering All Regions Jointly

Agustsson

Uijlings

Ferrari

2019

2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)

View full text Add to dashboard Cite

I) Input image with extreme points provided by annotator II) Machine predictions from extreme points III) corrective scribbles provided by annotator IV) Machine predictions from extreme points and corrective scribbles Figure 1. Illustration of our interactive full image segmentation workflow. First (I) the annotator marks extreme points. Then (II) our model (Sec. 3) uses them to generate a segmentation. This is presented to the annotator, after which we iterate: (III) the annotator makes corrections using scribbles (Sec. 4), and (IV) our model uses them to update the predicted segmentation (Sec. 3). AbstractWe address interactive full image annotation, where the goal is to accurately segment all object and stuff regions in an image. We propose an interactive, scribble-based annotation framework which operates on the whole image to produce segmentations for all regions. This enables sharing scribble corrections across regions, and allows the annotator to focus on the largest errors made by the machine across the whole image. To realize this, we adapt Mask-RCNN [22] into a fast interactive segmentation framework and introduce an instance-aware loss measured at the pixellevel in the full image canvas, which lets predictions for nearby regions properly compete for space. Finally, we compare to interactive single object segmentation on the COCO panoptic dataset [11,27,34]. We demonstrate that our interactive full image segmentation approach leads to a 5% IoU gain, reaching 90% IoU at a budget of four extreme clicks and four corrective scribbles per region.

show abstract

“…Bu yüzden iç ortamlar için etkili ve düşük maliyetli çözümler üretilmeye devam edilmektedir. İç ortamlarda konumlandırma; hava alanı, alışveriş merkezi, tren istasyonu, hastane, müze, üniversite gibi kapalı ortamlarda kullanıcıların konumlarının bilinmesi, bir mağazada aranan bir ürünün bulunabilmesi, mağazalardaki promosyon ve indirimlerden yararlanılabilmesi, bir AVM' de kullanıcının arabasını park ettiği yeri bulabilmesi (Lan, 2014), ev ortamında yeri unutulan bir eşyanın bulunabilmesi (Huynh et al, 2015), görme engelli bir bireyin kapalı bir alanda otomatik yönlendirilmesi (Serrao et al, 2015) gibi günümüzde bir çok alanda kullanılabilen önemli bir ihtiyaç haline gelmiştir. 2017 yılında yayınlanan PRNewswire dergisinde yer alan makalede (ReportLinker, 2018) iç ortam konumlandırma marketinin 2023 yılına kadar 58 milyar dolara yükseleceği tahmin edilmektedir.…”

Section: Introductionunclassified

Derin Öğrenme Kullanılarak Parmak izi Tabanlı İç Ortam Konumlandırma

Aksakalli

Bayındır

2020

Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi

View full text Add to dashboard Cite

Kablosuz iletişim teknolojisi ve akıllı cep telefonlarının gelişimi ile Wi-Fi ve cep telefonlarına dayalı konumlandırma hizmetlerine talep gün geçtikçe artmaktadır. Dış ortamlarda insanların veya nesnelerin konumlandırılması için GPS gibi küresel konumlandırma sistemleri kullanılırken iç ortamlarda duvar, kapı gibi engellerden dolayı uydu bağlantısı yeterli olmadığı için iç ortam konumlandırma yöntemleri tercih edilmektedir. İç ortam konumlandırma için önerilen birçok yöntem içerisinden parmak izi yöntemi günlük hayatta mevcut olan sinyal kaynaklarını kullanabildiğinden ve bu sinyalleri ekstra bir donanıma gerek duymadan cep telefonları ile elde edilebildiğinden diğer yöntemlere göre daha avantajlı bir hale gelmektedir. Bu çalışmada odaları birbirinden ayırt etmek amacı ile ev ortamında 6 farklı odadan alınan Wi-Fi sinyalleri ile oluşturulan veri kümesi, klasik bazı makine öğrenmesi yöntemleri ve derin öğrenme yaklaşımı uygulanarak oda seviyesinde sınıflandırılmıştır. Derin öğrenme uygulanması sonucunda makine öğrenmesi yöntemlerinden en yüksek sınıflandırma doğruluğuna sahip olan Rastgele Orman' a göre %8 daha yüksek doğruluk oranı elde edilmiştir. Kendi veri kümemizin yanı sıra farklı sayıda veri ve özniteliklere sahip veri kümelerinde (WASP ve WILDS) de makine öğrenmesi yöntemleri ile derin öğrenmenin bir yöntemi olan Evrişimsel Sinir Ağı (ESA) karşılaştırılmış ve ESA' nın %98 doğruluğa ulaştığı görülmüştür. Çalışma sonucunda ESA ile uygulanan derin öğrenmenin veri sayısı fazla ve etiket sayısı az olan veri kümelerinde daha iyi performans gösterdiği gözlemlenmiştir.

show abstract

Computer vision and GIS for the navigation of blind persons in buildings

Cited by 36 publications

References 16 publications

Low-power depth-based descending stair detection for smart assistive devices

Low-power depth-based descending stair detection for smart assistive devices

Interactive Full Image Segmentation by Considering All Regions Jointly

Derin Öğrenme Kullanılarak Parmak izi Tabanlı İç Ortam Konumlandırma

Contact Info

Product

Resources

About