O campo da direção autônoma tem atraído crescente interesse por soluções que conciliem alto grau de confiabilidade e capacidade de realizar inferências em tempo real. A diversidade presente no mundo real, como variações de iluminação e condições climáticas, impõe desafios adicionais a tarefas como a detecção de objetos e a segmentação semântica. Este trabalho investiga o impacto da aplicação de técnicas de correção de iluminação no sistema YOLOP, um algoritmo de deep learning de estágio único, voltado para a detecção de faixas em rodovias. As técnicas AWB, SCL-LLE e Wavenet foram avaliadas utilizando imagens das bases de dados VIL-100 e CULane. Os resultados experimentais apontaram que o modelo SCL-LLE apresentou o melhor desempenho, evidenciando que o uso de informações semânticas durante o processo de correção de iluminação contribui positivamente para a detecção de faixas, em conformidade com a abordagem do YOLOP, que também explora essas informações.
|
