Banca de QUALIFICAÇÃO: ADRIEL DOS SANTOS ARAÚJO CABRAL

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: ADRIEL DOS SANTOS ARAÚJO CABRAL
DATA: 30/04/2026
HORA: 14:30
LOCAL: Remoto
TÍTULO: Visão computacional aplicada ao goalball: detecção, rastreamento e reconhecimento de ações em um esporte paralímpico
PALAVRAS-CHAVES: goalball, detecção de objetos, MOT, estimativa de pose, reconhecimento de ação, aprendizado profundo, inteligência artificial
PÁGINAS: 78
RESUMO: O Goalball é um esporte paralímpico disputado por atletas com deficiência visual que, apesar de sua relevância, permanece amplamente sub-representado na literatura de visão computacional. A ausência de datasets públicos anotados, a imprecisão de abordagens de reconhecimento de ações baseadas em imagens brutas e a carência de investigações sobre rastreamento de múltiplos objetos nessa modalidade motivam o presente trabalho. Esta dissertação propõe abordar essas lacunas. Primeiro, apresenta-se o GoalballAI, o primeiro dataset público para detecção de objetos no goalball, composto por 8.000 imagens e 60.436 instâncias anotadas de jogadores e bola, coletadas em 20 partidas com diversidade de quadras, uniformes, níveis competitivos e condições de iluminação. Experimentos de baseline com YOLOv10s e YOLOv11s demonstram que o ajuste fino ao domínio específico é indispensável, com ganhos expressivos sobre modelos genéricos pré-treinados no COCO, e evidenciam os desafios da detecção de objetos pequenos e em alta velocidade para a classe bola. Segundo, define-se o protocolo metodológico para construção de um dataset de rastreamento de múltiplos objetos, com pipeline de anotação semi-automática (YOLOv11 + ByteTrack) e validação manual via CVAT, cuja avaliação comparativa de algoritmos constitui trabalho futuro. Terceiro, a etapa de reconhecimento de ações é aprimorada pela substituição do processamento direto de pixels por estimativa de pose: keypoints articulares extraídos por RTMPose, YOLO Pose e MediaPipe BlazePose são combinados a classificadores clássicos (KNN, SVM e Random Forest) em um protocolo de validação cruzada por vídeo. O modelo RTMPose-Performance combinado ao Random Forest alcançou acurácia média de 0,883 (±0,019) e F1-score macro de 0,873 (±0,022), superando o baseline de imagens em escala de cinza com Conv3D (0,859 ± 0,022). Os resultados demonstram que a representação baseada em pose é mais robusta a variações de uniforme e iluminação, e que a qualidade do modelo de estimativa de pose é determinante para o desempenho dos classificadores subsequentes.
MEMBROS DA BANCA:
Presidente(a) - 1167863 - LEONARDO VIDAL BATISTA
Interno(a) - 1743917 - THAIS GAUDENCIO DO REGO
Externo(a) ao Programa - 1827772 - YURI DE ALMEIDA MALHEIROS BARBOSA