Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.293
Aluno: Emerson Guilherme Lourenço de Melo
Orientador: Prof. Abel Guilhermino da Silva Filho
Título: RRPN Data-Centric: Potencializando a Fusão Radar-Câmera com Supervisão 2D de Alta Fidelidade
Data: 22/07/2026 – 14h
Hora/Local: 14h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Tsang Ing Ren (UFPE / Centro de Informática)
Prof. Filipe Rolim Cordeiro (UFRPE / Departamento de Computação)
Prof. Abel Guilhermino da Silva Filho (UFPE / Centro de Informática)
RESUMO:
A percepção robusta do ambiente é um requisito fundamental para a direção autônoma, cenário onde a fusão de radar e câmera se destaca por unir a riqueza semântica das imagens à resiliência do radar sob condições adversas. No entanto, métodos como a Radar Region Proposal Network (RRPN) esbarram na dependência da qualidade dos dados de treinamento. O uso do conjunto nuScenes para detecção 2D costuma projetar caixas delimitadoras 3D diretamente no plano da imagem, introduzindo ruídos e desalinhamentos que prejudicam a capacidade do modelo de aprender representações espaciais confiáveis. Para superar essa limitação, este trabalho adota uma abordagem centrada em dados (data-centric), priorizando a qualidade da supervisão em vez de alterações estruturais na arquitetura. A principal contribuição é a substituição das projeções geométricas ruidosas por anotações 2D de alta fidelidade geradas automaticamente pelo detector RF-DETR. A arquitetura original de duas etapas do RRPN foi mantida, mas modernizada com a migração de Caffe2 para PyTorch/Detectron2. Adicionalmente, foram integrados backbones convolucionais modernos, como ResNeXt, WideResNet e EfficientNet, para aprimorar a extração de características a partir do novo conjunto de supervisão. Os experimentos no dataset nuScenes revelaram ganhos expressivos em todas as configurações avaliadas. O melhor modelo, combinando o backbone ResNeXt-152 às anotações do RF-DETR-Large, alcançou 58,28 de Average Precision (AP), um aumento relativo de 64,2% sobre o resultado original da RRPN. Melhorias notáveis também foram observadas nas métricas AP50 e AP75 em diferentes classes de objetos, evidenciando maior precisão de localização. Os resultados validam que o refinamento dos dados de treinamento é uma estratégia altamente eficaz e promissora para o avanço da percepção multimodal veicular.
Palavras-chave: Fusão de sensores, camera, radar, funções ADAS
Comentários desativados