Análise Comparativa de Modelos Visuais para Ambientes Internos com Variação Temporal e de Iluminação

Le résumé fourni par la source

Modelos de classificação visual são fundamentais em aplicações como navegação autônoma e robótica móvel, mas ainda enfrentam desafios em ambientes internos com variações de iluminação e mudanças temporais. Este trabalho compara o desempenho do extrator de características DINOv2, modelo auto-supervisionado de última geração, com arquiteturas supervisionadas como ConvNeXt, EfficientNet, ResNet e ViT. Utilizando o dataset KTH-IDOL2, avaliamos os modelos em diferentes condições ambientais. Os resultados mostram que o DINOv2 superou consistentemente os demais, alcançando até 98,02% de acurácia. Os achados destacam a robustez das representações auto-supervisionadas frente à variabilidade visual, posicionando o DINOv2 como uma alternativa promissora para classificação de ambientes em cenários realistas.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.