Self-Confident: Apprendimento online per rilevare i guasti dei sensori di profondità
Introduzione
L’invenzione riguarda un metodo e un sistema di sensori, progettato in particolare per determinare la confidenza delle mappe di disparità inferite da un algoritmo stereo o una rete attraverso una rete neurale in grado di auto-adattarsi.

Caratteristiche Tecniche
Esistono sul mercato diversi sistemi per l’acquisizione d’immagini in 3D per determinare la profondità di un’immagine ed attualmente lo stereo matching è una delle strategie più popolari per percepire con precisione la struttura 3D della scena attraverso telecamere sincronizzate e diversi algoritmi.
L’invenzione riguarda un metodo e un sistema di sensori, progettato per determinare la confidenza delle mappe di disparità inferite da un algoritmo stereo o una rete attraverso una rete neurale in grado di auto-adattarsi, che può essere utilizzato per tutti i sistemi di acquisizione di immagini in cui è necessario stimare la confidenza nel calcolo della profondità o disparità, determinando così il livello di affidabilità (o incertezza) di ciascun pixel dell’immagine. La stima della confidenza auto-adattiva è una caratteristica altamente desiderabile per molte applicazioni, tra cui quella degli smartphone, ad oggi equipaggiati con fotocamere multiple e algoritmi stereo sviluppati per la realtà aumentata o per altri applicazioni in ambienti imprevedibili.
Possibili Applicazioni
- Automotive (guida autonoma);
- Settore della Computer Vision;
- Robotica;
- Realtà aumentata;
- Ricostruzione 3D.
Vantaggi
- Si adatta automaticamente all’ambiente esplorato;
- Misura non vincolata al sistema stereo impiegato;
- Elevata affidabilità;
- Facile implementazione;
- Competitivo in termini di costi.