Desafio da Cidade AI Destaca Inovações em Varejo e Sistemas de Trânsito

O AI City Challenge é um evento que promove o uso de inteligência artificial (IA) para melhorar várias áreas práticas. Na sua sétima edição, o Challenge focou em duas áreas principais: negócios de varejo e Sistemas Inteligentes de Tráfego (ITS). Ambos os domínios têm muitas oportunidades de melhoria. Em 2023, o Challenge atraiu um recorde de 508 equipes de 46 países, aumentando significativamente a participação em relação ao ano anterior.

#Trilhas do Challenge

Este ano, o Challenge teve cinco trilhas diferentes, cada uma com seu foco específico.

#Trilha 1: Rastreamento de Pessoas Multi-Alvo com Múltiplas Câmeras (MTMC)

Nesta nova trilha, as equipes trabalharam no rastreamento de várias pessoas enquanto se moviam por diferentes ângulos de câmeras. Usaram tanto vídeos reais quanto dados sintéticos que foram criados para se parecerem com ambientes reais. O objetivo era acompanhar os indivíduos conforme apareciam nas diferentes transmissões das câmeras.

#Trilha 2: Recuperação de Rastreamento de Veículos Baseada em Linguagem Natural

Para esta trilha, as equipes tinham que procurar veículos em vídeos gravados usando descrições em linguagem natural. As equipes tinham um conjunto de vídeos com veículos rastreados e precisavam combinar esses veículos com as descrições fornecidas.

#Trilha 3: Reconhecimento de Ações de Direção Naturalística

Nesta trilha, as equipes focaram em identificar comportamentos de direção distraída, como enviar mensagens ou falar ao telefone. Usaram vídeos gravados dentro dos veículos para analisar as ações do motorista e classificá-las de acordo.

#Trilha 4: Checkout de Varejo Automatizado

Essa trilha tinha como objetivo criar um sistema que pudesse identificar e contar produtos em um ambiente de varejo usando uma única câmera. As equipes receberam dados sintéticos para treinamento e precisaram desenvolver modelos que funcionassem bem em um cenário real de checkout.

#Trilha 5: Detecção de Violação da Regra do Uso de Capacete para Motociclistas

Nesta trilha, as equipes precisavam determinar se os motociclistas estavam usando capacetes. Usaram vídeos de câmeras de trânsito e focaram em detectar o uso de capacete entre os motociclistas.

#Métodos de Avaliação

Para avaliar o desempenho de cada equipe, foram criados dois rankings: um para submissões públicas, onde as equipes não podiam usar dados externos privados, e um ranking geral para todos os resultados. Os participantes enviaram seus resultados com base nos métodos que usaram, que foram pontuados de acordo com critérios pré-determinados.

#Métricas Notáveis

Para cada trilha, diferentes métricas de avaliação foram usadas. Por exemplo, na Trilha 1, a pontuação IDF1 mediu quão bem as equipes detectaram indivíduos. A Trilha 2 usou a Média de Classificação Recíproca (MRR) para avaliar a eficácia da recuperação de veículos. Cada trilha tinha maneiras específicas de calcular pontuações para garantir justiça e um ambiente competitivo.

#Engajamento dos Participantes

Este ano, a participação no Challenge mais do que dobrou em comparação com o ano anterior. O aumento foi marcado pelo crescente interesse em resolver problemas complexos usando IA. Equipas de todo o mundo apresentaram suas abordagens e soluções, promovendo um ambiente de colaboração e compartilhamento de conhecimento.

#Desafios e Soluções

Enquanto as equipes trabalhavam em seus projetos, enfrentaram vários desafios. Na Trilha 1, por exemplo, muitas equipes lutaram com o grande número de ângulos de câmeras e a necessidade de calibrá-los de maneira precisa. Desafios futuros visam simplificar esse processo e encorajar os participantes a usarem métodos eficientes para calibração de câmeras.

Na Trilha 2, as equipes tiveram que discutir a relação entre o movimento dos veículos e as descrições em linguagem, enfatizando a importância da estrutura dos dados. Elas exploraram várias abordagens para melhorar seus métodos de recuperação, o que levou a um aumento significativo no desempenho.

#Fontes de Dados e Inovação

O Challenge proporcionou às equipes conjuntos de dados diversos, que incluíam tanto dados do mundo real quanto dados sintéticos criados para fins de treinamento. O uso de dados sintéticos ajudou as equipes a simular cenários que poderiam ser difíceis de capturar na vida real. Por exemplo, um conjunto de dados usou um ambiente sintético para facilitar o rastreamento de pessoas.

As equipes usaram uma variedade de técnicas para gerar seus conjuntos de dados, algumas das quais incluíam animações de personagens e mudanças nas condições ambientais. Os conjuntos de dados sintéticos buscavam refletir desafios do mundo real, permitindo que as equipes praticassem e refinassem seus modelos de IA de forma eficaz.

#Principais Descobertas e Observações

Após a competição, várias descobertas importantes surgiram das experiências e submissões das equipes participantes.

#Trilha 1: Rastreamento de Pessoas MTMC

As equipes se saíram bem nesta trilha, alcançando taxas de precisão impressionantes. No entanto, foi observado que muitas equipes lidaram com dados reais e sintéticos separadamente, em vez de integrá-los de forma eficaz. Isso indica uma oportunidade para trabalhos futuros focarem na melhoria das técnicas de adaptação de domínio.

#Trilha 2: Recuperação de Veículos

Nesta trilha, o uso de técnicas avançadas que combinavam informações textuais e visuais melhorou significativamente os resultados de recuperação. Muitas equipes empregaram métodos de pós-processamento para aprimorar o desempenho de seus modelos com base nas consultas em linguagem.

#Trilha 3: Reconhecimento de Direção Distraída

As equipes focaram em uma variedade de técnicas para classificar o comportamento de direção e identificar com precisão quando ocorreram distrações. O desafio destacou a necessidade de conjuntos de dados aprimorados e rotulagem limpa para facilitar avaliações mais precisas no futuro.

#Trilha 4: Contagem de Produtos de Varejo

Uma tendência notável foi o foco na otimização da qualidade dos dados para treinamento e testes. As equipes priorizaram a melhoria de seus conjuntos de dados, o que contribuiu para melhores algoritmos de reconhecimento e resultados mais precisos.

#Trilha 5: Detecção de Violação de Capacete

As equipes também demonstraram progresso significativo na detecção de violações do uso de capacete entre motociclistas. Técnicas inovadoras para detecção e rastreamento de objetos contribuíram para alcançar alta precisão nesta medida crítica de segurança.

#Direções Futuras

Os organizadores do Challenge pretendem incentivar mais pesquisas e desenvolvimentos em aplicações de IA para problemas do mundo real. Desafios futuros buscarão introduzir novas trilhas e melhorar continuamente os conjuntos de dados fornecidos, garantindo que permaneçam relevantes e úteis para os participantes.

O aprimoramento contínuo das metodologias de avaliação ajudará a aumentar a qualidade geral das submissões. As observações feitas durante este Challenge servirão como guia para ajustar o formato e o foco das próximas edições, garantindo que promovam um progresso significativo.

#Conclusão

O 7º AI City Challenge se mostrou um evento significativo que destacou o potencial da IA em sistemas de tráfego e ambientes de varejo. Com o aumento da participação e soluções inovadoras apresentadas pelas equipes, o Challenge avançou a conversa sobre como a tecnologia pode melhorar as operações do dia a dia.

No final das contas, as descobertas e desenvolvimentos desse evento vão abrir caminho para futuros avanços, contribuindo para a criação de ambientes mais inteligentes e seguros. O trabalho que está sendo feito na comunidade de IA continua a inspirar mais exploração do que é possível na interseção entre tecnologia e vida cotidiana.