EXPLORANDO GRANDES MODELOS DE LINGUAGEM PARA APRIMORAR O RECONHECIMENTO DE ATRIBUTOS VISUAIS DE VEÍCULOS EM CENÁRIOS DO MUNDO REAL

INTRODUÇÃO: O reconhecimento automático de atributos visuais de veículos, especialmente a cor, desempenha papel relevante em sistemas de transporte inteligente e de monitoramento por câmeras, atuando como complemento ao reconhecimento de placas, cuja eficácia pode ser comprometida por oclusões, borramento por movimento, baixa iluminação, variações de ângulo e limitações de resolução. Um dos principais desafios do reconhecimento de cor veicular é o forte desbalanceamento presente em conjuntos de dados reais, em que cores neutras, como branco, preto, prata e cinza, predominam, enquanto cores menos frequentes são pouco representadas. Esse cenário pode levar modelos de aprendizado profundo a favorecer as classes majoritárias e a apresentar desempenho reduzido nas classes raras, o que limita sua aplicação em buscas veiculares e investigações forenses. OBJETIVOS: Este trabalho tem como objetivo aprimorar o reconhecimento de cor de veículos em cenários reais de vigilância, com ênfase na redução dos efeitos do desbalanceamento de classes e na melhoria do desempenho em categorias minoritárias. Busca-se investigar o uso de dados sintéticos e estratégias de treinamento capazes de produzir modelos mais equilibrados, robustos e generalizáveis. MATERIAIS E MÉTODO: São combinadas técnicas tradicionais de tratamento do desbalanceamento, incluindo reponderação de funções de perda, aumento de dados e amostragem balanceada, com imagens sintéticas geradas por modelos generativos. Duas abordagens complementares de inteligência artificial generativa são exploradas: geração de imagens condicionada por texto e edição de cor condicionada por imagem e texto. Essas estratégias permitem ampliar a diversidade de classes raras e controlar características como a iluminação, o ângulo de captura e o contexto. As imagens sintéticas passam por curadoria e são integradas a um pipeline que incorpora representações visuais modernas, técnicas de aumento de dados sensíveis à cor, segmentação de primeiro plano e fusão de modelos. A avaliação considera métricas adequadas ao desbalanceamento e enfatiza o desempenho individual de cada classe. RESULTADOS: As estratégias investigadas ampliam a representação das classes minoritárias e permitem avaliar o impacto de diferentes formas de geração sintética e de técnicas de treinamento no reconhecimento de cores veiculares. A combinação dessas abordagens busca preservar o desempenho das classes frequentes, ao mesmo tempo em que melhora a capacidade de reconhecimento das categorias menos representadas. CONSIDERAÇÕES FINAIS: O trabalho contribui para o desenvolvimento de métodos mais robustos e equilibrados para o reconhecimento de atributos veiculares, explorando o potencial de modelos generativos para superar as limitações de dados reais desbalanceados e favorecer sistemas de monitoramento mais confiáveis e eficazes em condições operacionais reais.

PALAVRAS-CHAVE: Reconhecimento de cor veicular; Desbalanceamento de classes; Dados sintéticos; Modelos de difusão; Fusão de modelos.