Publicação

Anomaly detection on pose estimation

Detalhes bibliográficos
Resumo:	A evolução da segurança automóvel está cada vez mais dependente da integração de algoritmos complexos de monitorização do interior do veículo. Estes sistemas, concebidos para monitorizar e interpretar as ações dos ocupantes, dependem fortemente de uma estimação precisa da pose para seguir e analisar o comportamento humano neste contexto. A estimação da pose atua como um elemento fundamental para muitos algoritmos de monitorização do interior, fornecendo informações cruciais sobre a posição e orientação dos indivíduos. A precisão e fiabilidade destes dados têm um impacto direto na eficácia destes sistemas de segurança, tornando-os um componente vital na busca contínua por veículos mais seguros e inteligentes. A capacidade de detetar dados de estimação de pose imprecisos pode ajudar a tornar estes sistemas mais seguros, uma vez que pode prevenir falsos ativações dos sistemas de segurança, garantindo que as intervenções sejam realizadas apenas quando estritamente necessárias. Esta dissertação visa utilizar técnicas de aprendizagem profunda para identificar tais casos em que o resultado da estimação da pose pode ser impreciso, utilizando exclusivamente keypoints da pose para a deteção de anomalias. Para o efeito, foi gerado um dataset de deteções com o modelo de estimação de pose ViTPose e o dataset Microsoft COCO, onde as deteções semelhantes às anotações foram rotuladas como normais, e as deteções sem anotação associada foram rotuladas como anomalias. A arquitetura do modelo escolhida baseia-se num autoencoder para a codificação de features e numa rede Multi-Layer Perceptron para a geração de scores de anomalia, com base na representação de features do autoencoder. Em termos de treino, o autoencoder foi pré-treinado apenas com poses normais para minimizar o erro de reconstrução na classe normal. Em seguida, o autoencoder pré-treinado foi carregado para codificação de features e a rede completa é treinada utilizando tanto poses normais como anómalas. Para explorar diferentes configurações do modelo, foi realizada uma pesquisa em grelha sobre várias representações de pose de input (distâncias relativas e ângulos entre keypoints em vez de coordenadas absolutas) e tamanhos de rede para identificar o melhor conjunto de parâmetros. A implementação resultante foi avaliada em dois thresholds de score de anomalia diferentes: uma configuração de baixa taxa de falsos positivos (FPR) identificou com sucesso um terço das anomalias com apenas 1% de FPR, enquanto uma configuração de alto recall classificou corretamente quase 80% das anomalias, à custa de um FPR mais elevado de 21%. Esta nova abordagem demonstra o potencial para melhorar a fiabilidade dos sistemas de monitorização do interior do veículo através da deteção de anomalias ao nível dos keypoints.
Autores principais:	Regado, Daniel Assunção
Assunto:	Aprendizagem de máquina Aprendizagem profunda Deteção de anomalias Estimação de pose Anomaly detection Deep Learning Machine Learning Pose estimation Engenharia e Tecnologia
Ano:	2024
País:	Portugal
Tipo de documento:	dissertação de mestrado
Tipo de acesso:	acesso aberto
Instituição associada:	Universidade do Minho
Idioma:	inglês
Origem:	RepositóriUM - Universidade do Minho

Descrição
Resumo:	A evolução da segurança automóvel está cada vez mais dependente da integração de algoritmos complexos de monitorização do interior do veículo. Estes sistemas, concebidos para monitorizar e interpretar as ações dos ocupantes, dependem fortemente de uma estimação precisa da pose para seguir e analisar o comportamento humano neste contexto. A estimação da pose atua como um elemento fundamental para muitos algoritmos de monitorização do interior, fornecendo informações cruciais sobre a posição e orientação dos indivíduos. A precisão e fiabilidade destes dados têm um impacto direto na eficácia destes sistemas de segurança, tornando-os um componente vital na busca contínua por veículos mais seguros e inteligentes. A capacidade de detetar dados de estimação de pose imprecisos pode ajudar a tornar estes sistemas mais seguros, uma vez que pode prevenir falsos ativações dos sistemas de segurança, garantindo que as intervenções sejam realizadas apenas quando estritamente necessárias. Esta dissertação visa utilizar técnicas de aprendizagem profunda para identificar tais casos em que o resultado da estimação da pose pode ser impreciso, utilizando exclusivamente keypoints da pose para a deteção de anomalias. Para o efeito, foi gerado um dataset de deteções com o modelo de estimação de pose ViTPose e o dataset Microsoft COCO, onde as deteções semelhantes às anotações foram rotuladas como normais, e as deteções sem anotação associada foram rotuladas como anomalias. A arquitetura do modelo escolhida baseia-se num autoencoder para a codificação de features e numa rede Multi-Layer Perceptron para a geração de scores de anomalia, com base na representação de features do autoencoder. Em termos de treino, o autoencoder foi pré-treinado apenas com poses normais para minimizar o erro de reconstrução na classe normal. Em seguida, o autoencoder pré-treinado foi carregado para codificação de features e a rede completa é treinada utilizando tanto poses normais como anómalas. Para explorar diferentes configurações do modelo, foi realizada uma pesquisa em grelha sobre várias representações de pose de input (distâncias relativas e ângulos entre keypoints em vez de coordenadas absolutas) e tamanhos de rede para identificar o melhor conjunto de parâmetros. A implementação resultante foi avaliada em dois thresholds de score de anomalia diferentes: uma configuração de baixa taxa de falsos positivos (FPR) identificou com sucesso um terço das anomalias com apenas 1% de FPR, enquanto uma configuração de alto recall classificou corretamente quase 80% das anomalias, à custa de um FPR mais elevado de 21%. Esta nova abordagem demonstra o potencial para melhorar a fiabilidade dos sistemas de monitorização do interior do veículo através da deteção de anomalias ao nível dos keypoints.

Atividades financiadas

Não foram encontrados projetos financiados.