Detecção de Armas de Fogo em Imagens Baseada em Redes Neurais Convolucionais
Nome: GUILHERME VINICIUS SIMÕES CARDOSO
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 30/04/2021
Orientador:
Nome |
Papel |
|---|---|
| PATRICK MARQUES CIARELLI | Orientador |
| RAQUEL FRIZERA VASSALLO | Co-orientador |
Banca:
| Nome |
Papel |
|---|---|
| DOUGLAS ALMONFREY | Examinador Externo |
| JORGE LEONID ACHING SAMATELO | Examinador Externo |
| PATRICK MARQUES CIARELLI | Orientador |
| RAQUEL FRIZERA VASSALLO | Coorientador |
Resumo: A procura por armas tem crescido juntamente com os índices de criminalidade, sendo um problema contemporâneo que assombra diversos países. No Brasil, possíveis mudanças estão sendo discutidas para a flexibilização da posse e do porte de armas de fogo, dividindo opiniões e gerando uma enorme discussão sobre o assunto. Isto tem motivado cientistas a traçar soluções que possam auxiliar na segurança pública de maneira geral. Em uma tentativa de buscar meios para minimizar este problema, foi realizada uma pesquisa sobre os principais trabalhos relacionados na classificação e detecção de armas de
fogo, visando obter informações sobre as principais técnicas utilizadas. Com isso, neste trabalho, é proposta uma metodologia para a detecção de armas de fogo em imagens usando redes neurais convolucionais. Trabalhos recentes utilizaram detectores de objetos baseados em tais redes e apresentaram resultados relevantes. Por isso, neste trabalho foi proposta uma metodologia para detecção de armas utilizando um detector de objetos chamado YOLO (You Only Look Once) e uma arquitetura baseada em redes neurais convolucionais.
Duas abordagens foram realizadas para avaliar a metodologia proposta, levando em consideração três valores de limiar para IoU. A primeira abordagem, comparada com os resultados encontrados na literatura, aponta uma melhora nos resultados, onde foi alcançada uma precisão de 93, 67% e um F1 de 93, 05%, o que representa um crescimento superior a 10% na precisão e uma ligeira melhora de quase 2% na métrica F1. A segunda
abordagem segue a mesma metodologia, mas aplica uma etapa inicial diferente, onde o detector de objetos é modificado e utilizado para marcar um banco de dados e compor um novo conjunto de dados rotulado. Tal abordagem impactou positivamente nos resultados, onde houve um aumento na precisão e de quase 4% na métrica F1. Nos três valores de IoU avaliados, o melhor apresenta uma precisão de 89, 91% e, a mesma configuração, aponta um F1 de 94, 54% com uma confiança de 58%. Estes resultados mostram que a metodologia proposta é promissora para ser aplicada na detecção de armas de fogo em imagens.
Palavras-chave: Redes Neurais Convolucionais, Visão Computacional, Detecção de Objetos, YOLO.
