Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
Romão, Bruno |
| Orientador(a): |
Fagotto, Eric Alberto de Mello |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Pontifícia Universidade Católica de Campinas (PUC-Campinas)
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
http://repositorio.sis.puc-campinas.edu.br/xmlui/handle/123456789/16933
|
Resumo: |
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. |
