Data augmentation e transfer learning aplicados na classificação de imagens do futebol de robôs utilizando a plataforma Edge Impulse

Abstract

O desafio do futebol de robôs visa otimizar a eficiência, autonomia e cooperação entre um ou mais agentes robóticos. Para isso, é necessário que o agente possua a capacidade de navegar e interagir com o espaço em que se encontra. A visão computacional é uma ferramenta capaz de extrair informações de uma imagem, de forma que o agente robótico possa compreender o ambiente no qual está inserido e atuar de acordo com seu sistema de Inteligência Artificial. Transfer Learning (TL) é uma técnica que visa transferir o aprendizado prévio de um agente para uma nova tarefa, a fim de acelerar o aprendizado e aperfeiçoar o desempenho do mesmo no novo problema. A literatura demonstra que a técnica possibilita a obtenção de resultados mais eficientes em problemas de aprendizado de máquina. Por outro lado, a técnica Data Augmentation (DA) cria uma diversidade de amostras distintas com classes balanceadas para o treinamento da base de dados, de forma a fazer com que um modelo de aprendizado de máquina profundo obtenha uma melhor performance e acurácia. Portanto, este trabalho tem o objetivo de analisar e comparar os efeitos do uso de DA e TL na classificação multiclasses de imagens do futebol de robôs utilizando a plataforma Edge Impulse.