Detecção de Sinais de Trânsito em Condições Desafiadoras: Um Olhar Mais Profundo sobre Variações de Desempenho e Características Espectrais

Os sinais de trânsito são críticos para a manutenção da segurança e eficiência das nossas estradas. Portanto, precisamos avaliar cuidadosamente as capacidades e limitações dos sistemas automatizados de detecção de sinais de trânsito. Os conjuntos de dados existentes sobre sinais de trânsito são limitados em termos de tipo e severidade das condições desafiadoras. Metadados correspondentes a essas condições não estão disponíveis e não é possível investigar o efeito de um único fator devido às mudanças simultâneas em inúmeras condições. Para superar as deficiências nos conjuntos de dados existentes, introduzimos o conjunto de dados CURE-TSD-Real, que é baseado em condições desafiadoras simuladas que correspondem a adversidades que podem ocorrer em ambientes e sistemas do mundo real. Testamos o desempenho de dois algoritmos de referência e mostramos que condições severas podem resultar em uma degradação média de desempenho de 29% em precisão e 68% em revocação. Investigamos o efeito das condições desafiadoras através de análise espectral e mostramos que as condições desafiadoras podem levar a características espectrais de magnitude distintas. Além disso, mostramos que o espectro de magnitude média das mudanças em sequências de vídeo sob condições desafiadoras pode ser um indicador de desempenho de detecção. O conjunto de dados CURE-TSD-Real está disponível online em https://github.com/olivesgatech/CURE-TSD.