Resumo Técnico: Recursos de Conjuntos de Dados Centrados em Objetos para Geração e Aumento de Imagens com Dados Restritos

Declaração do Problema

A geração de imagens centradas em objetos é crítica para aplicações onde a coleta de exemplos rotulados adicionais é difícil, como na análise de pedestres em cidades inteligentes, inspeção de sinais de trânsito e detecção de objetos de domínios específicos. Nesses cenários de dados restritos, imagens sintéticas só são valiosas para treinamento e avaliação se preservarem a estrutura do objeto, o posicionamento espacial, a informação da caixa delimitadora (bounding-box), a diversidade visual e o contexto realista.

Os recursos de visão de larga escala existentes (ex: ImageNet, COCO, Cityscapes) foram projetados primariamente para classificação, detecção ou compreensão de cena, e não para geração controlada centrada em objetos. Consequentemente, subconjuntos ad hoc derivados desses corpora frequentemente sofrem com inconsistências em mapeamento de classes, construção de recortes (crops), centralização, filtragem e definições de divisão (splits). Essas variações alteram a dificuldade da tarefa, dificultando a comparação justa de métodos e a reprodutibilidade de trabalhos anteriores. Além disso, os conjuntos de dados existentes raramente abordam modos de falha específicos em configurações restritas, como a perda de estrutura corporal em dados de pedestres com desfoque de privacidade, o sobreajuste (overfitting) a aparências específicas de sinais ou o colapso da diversidade de fundo na geração de plantas.

Metodologia

Os autores propõem uma coleção compartilhável de três recursos de conjuntos de dados centrados em objetos, projetados para padronizar a entrada para tarefas de geração de dados restritos. A coleção unifica três regimes complementares sob uma interface comum: recortes centrados em objetos de 256×256 padronizados e anotações de caixa delimitadora.

O pipeline de construção segue um fluxo de trabalho de cinco estágios aplicado a dados de origem heterogêneos:

1. Busca de Detecção/Anotação: Identificação de regiões candidatas a partir de anotações de origem ou detectores.
2. Extração/Conversão de Caixa & Harmonização de Classe: Conversão de diversos formatos de anotação (polígonos, máscaras de instância) em caixas delimitadoras e fusão de classes relacionadas.
3. Geração de Recorte Centrado no Objeto: Criação de recortes centrados no objeto alvo.
4. Normalização: Redimensionamento de todos os recortes para 256×256.
5. Filtragem & Geração de Divisões: Filtragem baseada em densidade de objetos e sobreposição, seguida pela geração de divisões de treino/validação/teste.

Os três conjuntos de dados específicos são construídos da seguinte forma:

• Cityscapes–Pedestrian: Derivado de quadros de alta resolução do Cityscapes usando anotações CityPersons e gtCoarse. Rótulos relacionados a pedestres são unificados em uma única classe. O pipeline remove caixas duplicadas via regras de sobreposição e gera recortes ao redor de regiões relacionadas a pessoas. Este regime é caracterado por cenas densas, desfoque de privacidade e oclusão intensa.
• TrafficSigns: Construído a partir de imagens de visão de rua de 1024×768 de propriedade dos autores. Caixas candidatas para sinais de trânsito são geradas usando YOLOv5x e revisadas manualmente. O conjunto de dados oferece um regime mais limpo e de alto contraste, com limites bem definidos e oclusão limitada.
• COCO PottedPlant: Derivado de anotações de instância do MS-COCO 2017. O pipeline seleciona instâncias de "potted plant" (planta em vaso), ignorando aquelas pequenas demais para um recorte estável. Os recortes são amostrados com margens aleatórias para garantir que a caixa delimitadora esteja totalmente dentro do recorte. Diferente dos outros subconjuntos, este conjunto preserva caixas de plantas que se interceptam nos rótulos para manter a integridade da anotação em cenas de múltiplas instâncias, oferecendo alta diversidade contextual e de aparência.

Principais Contribuições

O artigo apresenta cinco contribuições primárias:

1. Lançamento de Conjunto de Dados: Uma coleção de três recursos específicos de classe (Cityscapes–Pedestrian, TrafficSigns, COCO PottedPlant) cobrindo cenas densas de pedestres, sinais de trânsito limpos e plantas em vasos com diversidade de contexto.
2. Interface de Benchmark Padronizada: Um formato comum baseado em recortes de 256×256, caixas delimitadoras, manifestos de nível de amostra e metadados de divisão.
3. Pipelines Reproduzíveis: Pipelines de construção completos cobrindo detecção, harmonização de classe, recorte, filtragem e exportação de metadados.
4. Caracterização de Regimes: Análise estatística e qualitativa de densidade de objetos, estrutura de múltiplas caixas, oclusão, desfoque e diversidade contextual entre os três subconjuntos.
5. Pacote de Lançamento Público: Um pacote abrangente contendo dados diretos onde permitido (TrafficSigns) e ativos de reconstrução (scripts, manifestos, tabelas de anotação, checksums) para subconjuntos restritos (Cityscapes–Pedestrian, COCO PottedPlant).

Resultados e Estatísticas

O lançamento atual contém:

• 3.009 amostras de TrafficSigns: Distribuídas diretamente com imagens e rótulos YOLO.
• 2.156 registros de manifesto de Cityscapes–Pedestrian: Distribuídos via manifestos públicos e scripts de reconstrução (sem imagens de origem).
• 7.679 registros de manifesto de COCO PottedPlant: Distribuídos via manifestos e scripts de reconstrução.

A análise estatística revela regimes distintos:

• Cityscapes–Pedestrian: Alta densidade com uma média de 8,11 caixas por registro e 100% de registros com múltiplas caixas, enfatizando oclusão e ambiguidade estrutural.
• TrafficSigns: Baixa densidade com 1,53 caixas por registro e 51,3% de registros com múltiplas caixas, focando em fidelidade de borda e preservação de forma.
• COCO PottedPlant: Densidade moderada com 2,63 caixas por registro e 59,7% de registros com múltiplas caixas, destacando a diversidade contextual.

O artigo cita uma avaliação recente do YOLOv11 usando estes regimes, onde o aumento sintético melhorou o desempenho em +7,6% no Cityscapes–Pedestrian e +30,6% no COCO PottedPlant, enquanto mostrou um ganho menor de +1,5% no TrafficSigns, consistente com seu regime mais limpo e menos desafiador.

Significância e Escopo

O artigo posiciona esta coleção como uma ferramenta para ajudar usuários a inspecionar rótulos, criar subconjuntos de tamanho igual para comparações controladas, executar novamente scripts de reconstrução e avaliar métodos de geração de objetos ou aumento de dados sintéticos em registros padronizados.

A significância reside em preencher a lacuna entre os recursos de visão de larga escala e as necessidades específicas de geração de dados restritos. Ao fornecer uma interface padronizada e modos de falha complementares (oclusão/desfoque vs. geometria limpa vs. diversidade contextual), o recurso permite que pesquisadores distingam se um modelo generativo explora regimes visuais estreitos ou alcança uma robustez centrada em objetos mais ampla.

Os autores declaram explicitamente que a coleção é intencionalmente focada em vez de abrangente e não substitui conjuntos de dados generativos de larga escala ou benchmarks de detecção de uso geral. O modelo de lançamento misto (dados diretos vs. ativos de reconstrução) é projetado para equilibrar a reprodutibilidade com a adesão estrita às restrições de redistribuição de origem (ex: privacidade e licenciamento). O lançamento adere aos princípios de dados FAIR e inclui documentação sobre motivação, composição e uso responsável do conjunto de dados.