Avanço na Detecção de Atiradores para a Segurança Pública

A violência com armas é um problema sério nos Estados Unidos. Pra lidar com isso, tá rolando um esforço crescente pra desenvolver sistemas que ajudem a melhorar a segurança pública, especialmente detectando e rastreando atiradores. O objetivo é entender onde estão os atiradores e o que estão fazendo, o que pode ajudar a prevenir ou reduzir os danos causados por eventos violentos.

#Abordagens Atuais

A maioria dos sistemas que já existem foca em detectar armas especificamente. Mas a nossa abordagem é diferente: queremos detectar o atirador como um todo, não só a arma. Assim, mesmo que a arma esteja escondida, o sistema ainda consegue identificar o atirador. Infelizmente, não tem muitos dados públicos disponíveis sobre atiradores, o que torna essa tarefa mais difícil.

Pra resolver isso, a gente recorre a Dados Sintéticos, que são informações geradas por computador que imitam cenários da vida real. Usamos ferramentas como o Unreal Engine pra criar ambientes virtuais onde atiradores e outras pessoas interagem. Treinando nosso sistema com esses dados sintéticos, esperamos melhorar sua capacidade de funcionar bem em várias situações.

#Metodologia

#Criando Dados Sintéticos

Criamos dados de treinamento sintético usando o Unreal Engine, que permite simular diferentes ambientes. Os cenários virtuais incluíram lugares como escolas, hospitais e shoppings. Nesses simulados, programamos atores pra agir como atiradores e pessoas tentando escapar. Depois, capturamos vídeos desses eventos simulados pra usar no treinamento do nosso sistema de detecção e rastreamento.

#Randomização de Domínio

Um desafio com dados sintéticos é que eles nem sempre se traduzem bem pra situações reais. Pra melhorar isso, usamos uma técnica chamada randomização de domínio. Isso significa que variamos mais os nossos dados sintéticos pra ajudar o sistema a aprender melhor. Por exemplo, mudamos as cores dos objetos e as posições dos atores nas simulações pra criar muitos cenários diferentes.

#Treinando o Modelo

Usamos um modelo de detecção popular chamado YOLOv8 pro nosso sistema. Esse modelo é eficiente e eficaz, especialmente pra detectar objetos menores como armas. Treinamos ele usando várias combinações de dados reais e sintéticos, testando qual mistura nos dava os melhores resultados. Durante o treinamento, focamos em duas classes principais: atiradores e armas.

#Detectando e Rastreando Atiradores

Depois que nosso modelo foi treinado, precisávamos de uma maneira de rastrear os atiradores de forma eficaz. Usamos um sistema de rastreamento chamado Deep OC-SORT combinado com outro componente chamado OSNET pra identificar indivíduos. Isso nos permitiu acompanhar os atiradores ao longo do tempo, mesmo quando eles estavam obscuros ou escondidos.

#Confirmação de Detecção de Armas

Pra garantir que nosso sistema de rastreamento é preciso, implementamos um método onde a presença de uma arma é usada pra confirmar que um indivíduo detectado é um atirador. Em outras palavras, antes de rotular alguém como atirador, checamos se ele tá segurando uma arma.

#Avaliação de Desempenho do Sistema

Depois de desenvolver nosso sistema, precisávamos avaliar como ele realmente funciona. Fizemos isso avaliando o desempenho tanto de detecção quanto de rastreamento usando várias métricas. Essas avaliações foram feitas com vídeos reais, alguns dos quais não apresentavam atiradores pra testar a capacidade do sistema de evitar alertas falsos.

#Resultados

#Desempenho de Detecção

Testamos várias versões do nosso modelo de detecção, treinando cada uma em diferentes combinações de dados reais e sintéticos. Os resultados mostraram que usar ambos os tipos de dados permite que o modelo tenha um desempenho melhor do que usar dados reais sozinhos.

#Desempenho de Rastreamento

Também avaliamos o desempenho de rastreamento do nosso sistema. Isso envolveu analisar como ele mantinha a identidade de um atirador ao longo de vários quadros de vídeo. Notamos que houve momentos em que o sistema teve dificuldades em identificar consistentemente a mesma pessoa, o que é conhecido como troca de ID.

#Funcionalidade em Dispositivos de Edge

Um dos principais objetivos do nosso sistema é rodar em dispositivos de computação de baixo custo, conhecidos como dispositivos de edge, como o Raspberry Pi e Jetson Nano. Verificamos quão rápido nosso sistema pode processar informações nesses dispositivos, garantindo que ele possa entregar alertas em tempo real em situações críticas.

#Lidando com Desafios

Apesar de ter feito progressos significativos, ainda existem vários desafios. A detecção de armas tende a ser menos precisa do que a detecção de atiradores. Isso provavelmente se deve ao fato de as armas serem menores e menos distinguíveis em diferentes ambientes. Também há o risco de preocupações com a privacidade, já que nosso sistema depende de gravações de vídeo capturadas por câmeras de segurança existentes.

#Direções Futuras

Seguindo em frente, há uma oportunidade clara de melhorar o desempenho do nosso sistema aprimorando as capacidades de detecção de armas. Isso poderia envolver integrar nossas descobertas com conjuntos de dados de detecção de armas existentes pra criar um modelo mais robusto.

Além disso, mais testes em ambientes reais ajudarão a refinar nossa abordagem, garantindo que ela possa se adaptar às complexidades de várias situações e ambientes. Explorar outras tecnologias pra melhorar o rastreamento e a detecção também pode ser benéfico.

#Conclusão

A luta contra a violência com armas exige soluções inovadoras. Nosso sistema de detecção e rastreamento visa aumentar a segurança pública oferecendo informações mais rápidas e precisas sobre ameaças potenciais. Ao aproveitar o poder dos dados sintéticos e métodos avançados de rastreamento, esperamos contribuir pra criar espaços públicos mais seguros.

Enquanto continuamos a aprimorar nossa tecnologia, estamos comprometidos em lidar com desafios, priorizando a privacidade e a segurança das pessoas. Nosso objetivo é não apenas melhorar os métodos de detecção e rastreamento, mas também facilitar estratégias de resposta eficazes em situações de emergência.