Dissertação
Augmentation-Based Approaches for Overcoming Low-visibility in Street Object Detection EVALUATED
Condições de fraca visibilidade, como noite, nevoeiro ou chuva, são circunstâncias em que os modelos de aprendizagem automática tradicionais costumam ter dificuldades devido à limitação de dados disponíveis para treino. A recolha de um conjunto extenso de dados que cubra todos os possíveis cenários com que o modelo se possa deparar durante a sua implementação é frequentemente impraticável, quer em termos de tempo como de custos. De modo a ultrapassar estas limitações, este trabalho propõe o uso de aumentações personalizadas de modo a colmatar individualmente os desafios de reduzidas condições de visibilidade. O modelo utilizado neste trabalho foi treinado em subconjuntos de dados que complementam os cenários de fraca visibilidade ausentes no conjunto de dados original. Aumentações baseadas em profundidade visual e em técnicas no domínio do Fourier foram aplicadas para simular tais condições durante o treino e assim melhorar a performance do modelo aquando do seu uso em tais cenários reais. Os resultados experimentais demonstraram que aumentações devidamente aplicadas podem significativamente melhorar a performance do modelo. No caso específico de condições de chuva, o melhor modelo a utilizar técnicas de aumentação alcançou uma performance de 3,40 pontos percentuais acima do modelo base.
julho 6, 2023, 11:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Arlindo Manuel Limede de Oliveira
Departamento de Engenharia Informática (DEI)
Professor Catedrático
ORIENTADOR
Bruno Emanuel Da Graça Martins
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado