Resumo Técnico: Avaliação Comparativa de Backbones ResNet em RT-DETR sob Condições Ambientais

Declaração do Problema

Em robótica competitiva, como RoboCup e HuroCup, sistemas autônomos dependem fortemente da percepção visual em tempo real para detectar e rastrear objetos pequenos e geometricamente simples (por exemplo, bolas) sob restrições temporais rigorosas. Embora detectores baseados em transformadores, como o RT-DETR, tenham surgido como alternativas poderosas às arquiteturas convolucionais ao permitir detecção de ponta a ponta sem Supressão de Máximo Não (NMS), há uma falta de literatura sobre como a escala do backbone e variações ambientais impactam especificamente seu desempenho nesses cenários.

Frameworks existentes frequentemente lutam contra variabilidade ambiental, particularmente mudanças de iluminação (iluminação desigual, cintilação, luz solar natural) e problemas de contraste de fundo (por exemplo, tapetes cinzentos, paredes de madeira), o que pode levar a má classificação de cores e instabilidade do detector. Além disso, a interação entre profundidade do backbone, regularização por dropout e esses fatores ambientais em detectores de transformadores em tempo real permanece pouco explorada. Este trabalho aborda a necessidade de determinar o equilíbrio ideal entre precisão de detecção, confiança e latência de inferência ao implantar RT-DETR sob tais condições variáveis.

Metodologia

O estudo apresenta uma avaliação comparativa controlada da arquitetura RT-DETR utilizando quatro variantes de backbone ResNet: ResNet18, ResNet34, ResNet50 e ResNet101.

Configuração Experimental

• Conjunto de Dados: Um conjunto de dados personalizado agregando 8.806 imagens de múltiplos repositórios Roboflow, apresentando objetos esféricos (bolas azuis, verdes, laranjas e brancas). A classe de bola vermelha foi excluída devido à similaridade cromática com a laranja sob iluminação artificial.
• Pré-processamento: As imagens foram redimensionadas para 640×640 pixels. Aumento de dados estático incluiu rotações aleatórias (±13°) para melhorar a invariância de orientação, preservando a geometria esférica.
• Configuração de Treinamento: Todos os modelos foram treinados do zero por 150 épocas em uma GPU NVIDIA RTX 4070 Ti usando o framework Ultralytics com Descida de Gradiente Estocástica (SGD).
• Modos de Regularização: Cada backbone foi treinado em dois modos:
  1. Modo Padrão: Sem dropout (Taxa de Dropout = 0,0).
  2. Modo Regularizado: Taxa de dropout de 0,2 aplicada aos mecanismos de atenção do codificador do transformador.
• Cenários de Avaliação: A inferência foi testada em sequências de vídeo sob quatro condições distintas:
  1. Luz Total (Artificial) vs. Baixa Luz.
  2. Fundo Branco vs. Fundo Preto.
• Métricas: O desempenho foi avaliado usando Confiança Média (pontuação média de previsão), Tempo de Inferência (latência em ms/quadro) e Precisão de Classificação (detecções corretas por classe).

Principais Contribuições

1. Avaliação Sistemática de Backbone: Uma análise comparativa do RT-DETR com backbones ResNet variando de ResNet18 a ResNet101 para quantificar os trade-offs entre profundidade representacional, precisão e latência.
2. Análise de Robustez Ambiental: Uma avaliação controlada de como mudanças de iluminação e variações de contraste de fundo afetam o desempenho do detector, isolando esses fatores de diferenças arquitetônicas.
3. Impacto da Regularização: Uma avaliação do dropout (0,2) no RT-DETR para determinar seu efeito na confiança da previsão e estabilidade de classificação sob condições operacionais variáveis.

Resultados Experimentais

Impacto da Iluminação

• Confiança vs. Precisão: Variações de iluminação impactaram significativamente a confiança da previsão, mas tiveram efeito mínimo na precisão de classificação, que permaneceu consistentemente alta (frequentemente aproximando-se ou excedendo 1,00) na maioria das configurações.
• Desempenho do Backbone:
  • ResNet50 demonstrou o melhor compromisso geral sob variação de iluminação, alcançando precisão quase perfeita, valores de confiança de até ~0,869 e latência em torno de 0,058–0,059 ms.
  • ResNet101 não mostrou melhorias claras sobre o ResNet50, sugerindo retornos decrescentes com o aumento da profundidade para esta tarefa específica.
  • ResNet18 ofereceu custos computacionais menores, mas exibiu confiança ligeiramente reduzida sob iluminação desafiadora.
• Regularização: Aplicar dropout (0,2) geralmente estabilizou os valores de confiança entre condições de iluminação, reduzindo a lacuna entre o desempenho em Luz Total e Baixa Luz, embora não tenha eliminado a sensibilidade a condições extremas.

Impacto do Contraste de Fundo

• Sensibilidade da Confiança: Mudanças de fundo (Branco vs. Preto) afetaram a confiança mais do que a precisão. Sob condições padrão (Dropout 0,0), os valores de confiança foram mais dispersos, particularmente para bolas azuis e brancas contra fundos contrastantes.
• Efeito da Regularização: Dropout (0,2) homogeneizou os valores de confiança e reduziu a lacuna de desempenho entre fundos brancos e pretos, melhorando a robustez das representações de recursos internos.
• Desempenho do Backbone:
  • Sob variação de fundo, ResNet34 forneceu o desempenho mais equilibrado, alcançando precisão quase perfeita e os maiores valores de confiança (até ~0,887), mantendo baixa latência e um tamanho de modelo compacto.

Latência

A latência de inferência permaneceu largely inalterada pelas condições ambientais (iluminação ou fundo) e foi determinada principalmente pela profundidade da arquitetura do backbone.

Significado e Conclusões

O artigo conclui que fatores ambientais (iluminação e contraste) degradam primariamente a confiabilidade (confiança) das previsões, em vez de sua correção (precisão) ou custo computacional. Embora modelos mais profundos (ResNet101) não garantam robustez superior, modelos de profundidade intermediária oferecem o comportamento mais estável para tarefas de robótica competitiva.

• Arquiteturas Otimais: O estudo identifica que a arquitetura ideal é dependente do contexto. ResNet50 é recomendado para cenários dominados por variações de iluminação, enquanto ResNet34 é superior para ambientes com variações significativas de contraste de fundo.
• Papel da Regularização: Dropout melhora a estabilidade e reduz a variabilidade na confiança entre condições, mas não compensa totalmente ambientes visuais difíceis.
• Implicação de Design: Para aplicações robóticas do mundo real envolvendo objetos geométricos simples, arquiteturas intermediárias combinadas com regularização apropriada fornecem um equilíbrio mais favorável entre desempenho, eficiência e robustez do que simplesmente aumentar a profundidade do modelo.