Resumen

Los sistemas de visión por ordenador que conducen vehículos autónomos se juzgan por su capacidad para detectar objetos y obstáculos en las proximidades del vehículo en diversos entornos. Mejorar esta capacidad de un coche autónomo para distinguir los elementos de su entorno en condiciones adversas es un reto importante en la visión por ordenador. Por ejemplo, las condiciones meteorológicas adversas, como la niebla y la lluvia, provocan la corrupción de las imágenes, lo que puede causar una caída drástica en el rendimiento de la detección de objetos (OD). La navegación principal de los vehículos autónomos depende de la eficacia de las técnicas de procesamiento de imágenes aplicadas a los datos recogidos por diversos sensores visuales. Por lo tanto, es esencial desarrollar la capacidad de detectar objetos como vehículos y peatones en condiciones desafiantes como, por ejemplo, el mal tiempo. Para resolver este problema se propone ensamblar múltiples modelos de aprendizaje profundo de referencia bajo diferentes estrategias de votación para la detección de objetos y utilizar el aumento de datos para mejorar el rendimiento de los modelos. La técnica de aumento de datos es particularmente útil y funciona con datos de entrenamiento limitados para aplicaciones de DO. Además, el uso de los modelos de referencia acelera significativamente el proceso de DO en comparación con los modelos personalizados debido al aprendizaje por transferencia. Por lo tanto, el enfoque de ensamblaje puede ser muy eficaz en dispositivos con recursos limitados desplegados para vehículos autónomos en condiciones meteorológicas inciertas. Las técnicas aplicadas demostraron un aumento de la precisión respecto a los modelos de referencia y fueron capaces de identificar objetos a partir de las imágenes capturadas en condiciones meteorológicas adversas de niebla y lluvia. Las técnicas aplicadas demostraron un aumento de la precisión con respecto a los modelos de referencia y alcanzaron un 32,75% de precisión media (mAP) y un 52,56 en la detección de coches en las condiciones meteorológicas adversas de niebla y lluvia presentes en el conjunto de datos. También se demuestra la eficacia de las estrategias de votación múltiple para las predicciones de bounding box en el conjunto de datos. Estas estrategias ayudan a aumentar la capacidad de explicación de la detección de objetos en los sistemas autónomos y mejoran el rendimiento de las técnicas de conjunto con respecto a los modelos de referencia.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:modelo de referencia, detección de objetos, vehículo autónomo, técnicas aplicadas, explicabilidad del objeto, técnicas de aumento de datos, modelo de aprendizaje profundo, varios sensores visuales, técnicas de procesamiento de imágenes, datos de entrenamiento limitados
• Keywords:baseline model, object detection, autonomous vehicle, applied techniques, explainability of object, data augmentation techniques, deep learning model, various visual sensor, image processing techniques, limited training data