Redes neurais convolucionais para a detecção de objetos

• Autor(a) principal: Romão, Bruno
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da PUC_CAMPINAS
• Texto Completo: http://repositorio.sis.puc-campinas.edu.br/xmlui/handle/123456789/16933
• topic: Detecção de Objetos; CNN; OpenCV; Aumentação de dados; Processamento de Imagem; Object Detection; Data augmentation; Image Processing

Carros autônomos (ACs) e sistemas avançados de assistência ao motorista (ADAS) contam com redes neurais convolucionais (CNNs) para detecção de objetos. No entanto, a degradação da imagem causada por condições climáticas adversas, como chuva, neve e neblina, pode diminuir o desempenho de uma CNN. Assim, este trabalho apresenta o desenvolvimento de uma técnica de processamento de imagem com o objetivo de mitigar tal problema. Primeiramente, após uma extensa avaliação de modelos para detecção de objetos, nossa escolha recaiu sobre a YOLOv3, devido a seu compromisso entre precisão e tempo de inferência. Posteriormente, o treinamento e teste de uma CNN YOLOv3 foi investigado para carros, semáforos, semáforos, pedestres e ciclistas/motociclistas. O desempenho foi avaliado estimando-se a precisão média e média da precisão média (mAP) para cada uma das classes de objetos mencionadas. Foi implementada uma técnica de pré-processamento baseada em OpenCV para mitigar a degradação imposta por condições climáticas adversas. Em vista disso, os filtros do OpenCV de erosão, dilatação e joint bilateral filter foram considerados durante o treinamento e testes dos conjuntos de dados Berkeley DeepDrive (BDD100K) e Detection in Adverse Weather Nature (DAWN). O trabalho desenvolvido apresenta os benefícios potenciais do uso de filtros OpenCV como aumento de dados durante treinamento e testes. Nossos resultados mostram uma melhora em torno de 3% no mAP durante os testes com DAWN.