Banca de DEFESA: EMERSON GUILHERME LOURENCO DE MELO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: EMERSON GUILHERME LOURENCO DE MELO
DATA : 22/07/2026
HORA: 14:00
LOCAL: Virtual
TÍTULO:

RRPN Data-Centric: Potencializando a Fusão Radar-Câmera com Supervisão 2D de Alta Fidelidade

PALAVRAS-CHAVES:

Fusão de sensores, camera, radar, funções ADAS

PÁGINAS: 87
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.

MEMBROS DA BANCA:
Interno - 1650867 - ABEL GUILHERMINO DA SILVA FILHO
Externo à Instituição - FILIPE ROLIM CORDEIRO - UFRPE
Presidente - 1511095 - TSANG ING REN