Estudo de caso para filtragem de falsos positivos na detecção de armas de fogo com autoencoders.

Abstract

Sistemas baseados em vídeos de segurança são atualmente essenciais para manutenção da segurança em locais públicos e privados como museus, estações de metrô, bancos ou lojas. No entanto, de acordo a quantidade de locais para monitoramento, bem como a quantidade de pessoas no local simultaneamente, maiores são as chances de fatores humanos como fadiga e cansaço atingir os operadores dos sistemas, tornando-os ineficientes com o passar do tempo. Devido os avanços da área da aprendizagem profunda e no campo de visão computacional este trabalho propõe um estudo sobre o impacto de objetos similares aos objetos alvo em modelos de detecção de objeto. Como um abordagem para lidar com a emissão de falsos positivos o uso de autoencoders como um filtro de falsos positivos que são comumente gerados pelo detector primário. O uso de imagens com objetos similares aos objetos alvos de detecção se mostrou prejudicial para os modelos construídos, com aumentos consideráveis na emissão de falsos positivos e falsos negativos. A abordagem utilizada do uso de autoencoders para tratativa da inserção de objetos similares, no entanto, não se mostrou eficaz para o problema, obtendo variações pouco significativas e em alguns casos em perda de precisão do modelo.