Relevant Traffic Light Recognition with Deep Learning Approaches
Nome: RAFAEL HORIMOTO DE FREITAS
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 22/10/2019
Orientador:
| Nome | Papel |
|---|---|
| THIAGO OLIVEIRA DOS SANTOS | Orientador |
Banca:
| Nome | Papel |
|---|---|
| PATRICK MARQUES CIARELLI | Examinador Externo |
| CLAUDINE SANTOS BADUE | Examinador Interno |
| THIAGO OLIVEIRA DOS SANTOS | Orientador |
Resumo: Carros autônomos têm a importante tarefa de reconhecer o estado (e.g., vermelho, verde, ou
amarelo) dos semáforos que são relevantes, i.e., que definem orientação para o carro. Abordagens
comuns consistem em usar a imagem capturada de uma câmera prospectiva para detectar
semáforos na cena e classificar os estados dos respectivos semáforos. Essas abordagens têm duas
limitações principais: (i) além de computacionalmente demorada, detecção geralmente requer
anotações caras, como caixas delimitadoras dos objetos alvos; e (ii) ainda há necessidade de um
processo de tomada de decisão no qual semáforos relevantes devem ser diferenciados dos demais.
Este trabalho trata essas limitações investigando duas abordagens baseadas em aprendizado
profundo para reconhecer o estado dos semáforos relevantes: classificação-direta e detecção-comclassificação.
Na primeira, ambas as limitações são tratadas treinando o sistema para classificar
diretamente o estado dos semáforos relevantes na imagem. Na segunda, o reconhecimento do
estado é realizado detectando semáforos na imagem com seus respectivos estados classificados;
então a segunda limitação é tratada com heurísticas diferentes para selecionar um exemplo
relevante. Além disso, um sistema de regressão profundo com uma nova função de perda
resiliente a outliers é proposto para prever as coordenadas de um semáforo relevante no plano
da imagem, de modo que uma das heurísticas consiste na seleção da detecção mais próxima
dessas coordenadas. Ambas as abordagens foram avaliadas com diferentes conjuntos de dados do
mundo real. As conclusões gerais são de que a abordagem de classificação-direta pode alcançar
desempenho comparável à detecção-com-classificação com maior número de imagens de treino
facilmente anotadas; e que simples heurísticas baseadas em regra têm resultados comparáveis à
heurística do sistema de regressão. Além disso, avaliação qualitativa com instâncias desafiadoras
revelou que ambas as abordagens têm nível de desempenho semelhante em captar a informação
contextual necessária para inferir o semáforo relevante. O sistema de regressão também é avaliado
sozinho. Os resultados são promissores e indicam que as coordenadas previstas também podem
ser usadas para ajudar um classificador mais barato a trabalhar em uma região de interesse
