ARQUITETURAS DE APRENDIZADO PROFUNDO PARA SISTEMAS MULTI-VIEW: uma revisão

Resumo

Sistemas de visão multi-câmera apresentam desafios específicos relacionados a oclusões, sincronização de vistas e associação inter-câmera, aspectos que detectores monoculares não tratam de forma nativa. Este trabalho tem por objetivo identificar quais arquiteturas de aprendizado profundo são utilizadas no processamento de imagens provenientes de múltiplas câmeras, por meio de revisão bibliográfica da literatura. A análise organiza os modelos em três eixos principais: detectores convolucionais de dois e um estágio, detectores baseados em Transformers e arquiteturas multi-câmera com estratégias de fusão tardia ou processamento end-to-end. Os resultados indicam que mecanismos de auto-atenção favorecem a modelagem de dependências entre diferentes vistas, enquanto abordagens sem Non-Maximum Suppression (NMS) — técnica de pós-processamento para eliminação de caixas delimitadoras redundantes — reduzem limitações associadas à supressão de detecções válidas em cenários com campos de visão sobrepostos. Observa-se ainda que pipelines de fusão tardia, como a Multi-View Convolutional Neural Network (MVCNN) e o sistema de rastreamento multi-câmera de Zheng et al., oferecem maior compatibilidade com infraestruturas existentes, ao passo que arquiteturas end-to-end, como o MV-HFMD e o HMDMV, reduzem a propagação de erros, embora exijam maior capacidade computacional e conjuntos de dados multi-câmera anotados. Conclui-se que a escolha arquitetural deve considerar os requisitos de latência, acurácia, infraestrutura disponível e disponibilidade de dados do cenário aplicado.