Semantic segmentation for autonomous driving on adverse visual conditions

Esta monografia aborda o desafio da segmentação semântica para direção autônoma noturna, uma tarefa crítica para garantir a segurança e a confiabilidade em sistemas de veículos autônomos sob condições de pouca luz. O estudo avalia o desempenho de quatro modelos de aprendizado profundo - UNet, FPN, PSPNet e DeepLabV3+ - treinados em um conjunto de dados híbrido que compreende imagens noturnas reais e sintéticas. As imagens reais foram obtidas do conjunto de dados ACDC, enquanto as imagens sintéticas foram geradas usando o simulador de direção CARLA. Os modelos foram treinados para segmentar seis classes principais: estrada, vegetação, edifício, céu, carro e fundo. A avaliação quantitativa usando Intersection over Union (IoU) e métricas de pontuação F1 demonstrou resultados promissores em todos os modelos. De acordo com essas métricas, o melhor modelo foi o Feature Pyramid Network, alcançando uma pontuação F1 média de 88,32% e uma IoU média de 81,12%. No entanto, a análise qualitativa revelou que, embora os dados sintéticos ajudem a aumentar o volume de cenários noturnos, eles sozinhos são insuficientes para atingir um desempenho de segmentação de alta qualidade, particularmente em ambientes noturnos complexos. Isso destaca as limitações de confiar apenas em conjuntos de dados sintéticos para melhorar os resultados de segmentação em aplicações do mundo real. Para facilitar a reprodução deste trabalho, o conjunto de dados CARLA-Night foi disponibilizado no Kaggle (https://www.kaggle.com/datasets/victorsillericojusto/carla- night), e todo o código desenvolvido para o projeto pode ser acessado por meio de um repositório GitHub (https://github.com/victorsillerico/segmentation-nighttime.git).