Fast Object Localization via Neural Networks
Carregando...
Arquivos
Data
2024-07-31
Autores
Orientador(res)
Mesquita, Diego Parente Paiva
Métricas
Título da Revista
ISSN da Revista
Título de Volume
Resumo
A multilateração tem como objetivo determinar a posição de um objeto analisando as medições de distância de vários pontos conhecidos. Apesar de sua ampla aplicação, os métodos tradicionais de multilateração são vulneráveis a observações com ruídos e podem ser custosos do ponto de vista computacional. Esta dissertação propõe o DSM, que integra Deep Sets em arquiteturas de redes neurais para tratar dessas limitações. Os Deep Sets permitem que as redes neurais lidem com um número variável de entradas sem retreinamento, tratando as entradas como conjuntos. Testamos o DSM em conjuntos de dados sintéticos e do mundo real, e ele demonstrou sua capacidade de gerenciar dados ausentes com mais eficácia do que os métodos convencionais. Além disso, nosso método apresentou uma redução notável no tempo de computação em comparação com os outros métodos de multilateração testados. Os resultados indicam que o DSM é um candidato altamente adequado para aplicações em tempo real e em grande escala. O estudo também abre caminhos para pesquisas futuras, incluindo a quantificação da incerteza do DSM.