AVALIAÇÃO DE ACURÁCIA DE REDES NEURAIS CONVOLUCIONAIS NA DETECÇÃO DE VEÍCULOS E PEDESTRES NO TRANSITO BRASILEIRO
Abstract
Um dos pontos mais críticos no contexto de veículos autônomos é a capacidade de identificar corretamente os obstáculos, sejam veículos, pedestres, ciclistas ou outros. Com o advento do Deep Learning e das Redes Neurais Convolucionais, soluções de detecção utilizando apenas câmeras convencionais têm se mostrado economicamente viáveis e eficientes. Além disso, existem datasets específicos para veículos autônomos, com milhares de imagens disponíveis para treinamento e validação. Entretanto, estes datasets geralmente são produzidos nos EUA, Alemanha ou outros países que não retratam, necessariamente, cenários de trânsito de países emergentes, como o Brasil. Este trabalho realiza uma avaliação dos resultados de acurácia na detecção de veículos e pedestres de algoritmos estado da arte, comparando os resultados utilizando o dataset KITTI com um novo dataset da cidade de Belo Horizonte, proposto neste trabalho. As redes se comportaram de maneira inferior quando submetidas às imagens de Belo Horizonte, chegando a ter uma acurácia 12.91% menor em veículos e 20.12% menor para pedestres, se comparados com a acurácia na base de testes KITTI. Essa variação indica que diferenças regionais podem ter impactos significativos em quão bem o algoritmo irá detectar os obstáculos.