Banca de QUALIFICAÇÃO: THULIO GUILHERME SILVA DE AMORIM

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: THULIO GUILHERME SILVA DE AMORIM
DATA: 27/02/2026
HORA: 13:30
LOCAL: Google Meets
TÍTULO: Aprendizado profundo encontra a odometria visual: aprimorando a odometria visual por meio de segmentação semântica leve para filtragem dinâmica de recursos em tempo real.
PALAVRAS-CHAVES: Odometria Visual, Segmentação semântica, Ambientes Dinâmicos, Seleção de features.
PÁGINAS: 46
RESUMO: istemas de navegação de Odometria Visual (VO) e Odometria Visual-Inercial (VIO) estimam o movimento de uma plataforma a partir de características (features) extraídas do ambiente, assumindo uma cena estática. Em ambientes dinâmicos, essa suposição é violada por características dos objetos em movimento, o que compromete a precisão da estimativa. Nos últimos anos, a segmentação semântica baseada em aprendizado profundo emergiu como uma abordagem eficaz para mitigar esse problema, ao permitir a distinção entre regiões estáticas e dinâmicas. Entretanto, a inferência densa sobre a imagem completa impõe um elevado custo computacional, limitando sua aplicação em sistemas de tempo real. Considerando que as características visuais tendem a se concentrar em regiões específicas da imagem, e não de forma uniformemente distribuída, propomos uma abordagem de segmentação semântica espacialmente adaptativa e guiada por características, que restringe a inferência apenas às regiões que efetivamente contêm features. Dessa forma, o método reduz significativamente o custo computacional ao evitar processamento em áreas pouco informativas, preservando a capacidade de filtrar elementos dinâmicos e mantendo a aplicabilidade em cenários de tempo real. No benchmark Cityscapes, a segmentação sobre a imagem completa atinge uma Interseção sobre União média (mIoU) de 77.23 % a 86.5 quadros por segundo (FPS). Em contraste, a nossa abordagem alcança 176.9 FPS, correspondendo a uma aceleração de 2.04 vezes. Apesar da redução na mIoU global para 70.46 %, a análise de confusão binária das características indica que as precisões de classificação das regiões estáticas e dinâmicas permanecem acima de 93 %, sendo 96.61 % e 94.91 %, respectivamente. Esses resultados demonstram que a inferência semântica centrada em características melhora significativamente a eficiência computacional, ao mesmo tempo em que preserva previsões precisas nas regiões relevantes para sistemas de navegação baseados em features.
MEMBROS DA BANCA:
Presidente(a) - 2042972 - TIAGO PEREIRA DO NASCIMENTO
Interno(a) - 1167863 - LEONARDO VIDAL BATISTA
Externo(a) ao Programa - 1383571 - AUGUSTO DE HOLANDA BARRETO MARTINS TAVARES
Externo(a) ao Programa - 3511168 - SARAH PONTES MADRUGA
Externo(a) à Instituição - LUIZ MARCOS GARCIA GONCALVES