Detecção de objetos com saídas antecipadas baseadas em complexidade da imagem

Abstract

Redes Neurais Dinâmicas são modelos de aprendizado profundo que ajustam sua com- plexidade computacional durante a inferência, adaptando o uso de recursos de acordo com a

dificuldade da entrada. Dentre essas abordagens, a técnica de saídas antecipadas (early exit) se destaca por permitir que o modelo interrompa a inferência antecipadamente em amostras

mais simples, reduzindo o tempo de processamento e o consumo de recursos, sem comprome- ter significativamente a precisão. No entanto, sua aplicação em tarefas de detecção de objetos

ainda é pouco explorada, especialmente devido à complexidade de lidar com múltiplos objetos e diferentes níveis de confiança em uma mesma imagem. Este trabalho propõe uma nova abordagem ao adaptar a arquitetura Single Shot MultiBox Detector (SSD) com ramificações de saída antecipada, permitindo que amostras simples sejam processadas de forma mais eficiente enquanto entradas mais complexas recebem uma análise completa. Para isso, introduz-se um modelo auxiliar para predição do nível de dificuldade, baseado em uma metodologia de classificação de complexidade de amostras de uma base de dados de detecção. Embora a Precisão Média (mAP) obtida pela abordagem proposta permaneça comparável ao modelo single-exit, os resultados experimentais demonstram uma redução significativa no tempo de inferência e no uso de recursos computacionais para o subconjunto de imagens mais simples, evidenciando a eficiência da estratégia para aplicações em tempo real, especialmente em cenários com restrições computacionais.