COSOS-1k: Un conjunto de datos de referencia y aprendizaje de incertidumbre consciente de la oclusión para la...

Área de la Ciencia:

• Visión por Computadora
• Seguridad Ocupacional
• Aprendizaje Automático

Sus antecedentes:

• Los espacios confinados presentan riesgos significativos para los trabajadores debido a su naturaleza cerrada.
• La evaluación de la seguridad operacional en espacios confinados (COSOS) es fundamental pero se ve desafiada por entornos concurridos y equipos pequeños.
• La investigación existente carece de conjuntos de datos dedicados para tareas de COSOS.

Objetivo del estudio:

• Presentar COSOS-1k, el primer conjunto de datos adaptado a escenarios reales de COSOS.
• Abordar los desafíos de oclusión en las evaluaciones de seguridad en espacios confinados.
• Proponer métodos novedosos para mejorar la detección de objetos y el reconocimiento de atributos bajo oclusión.

Principales métodos:

• Construcción del conjunto de datos COSOS-1k con videos multivista, 10 tipos de equipos de seguridad, 6 atributos de trabajadores y anotaciones detalladas.
• Desarrollo de Estimación de Incertidumbre Consciente de la Oclusión (OUE) para la predicción de oclusión a nivel de parte.
• Introducción de mecanismos de atención de Agrupación entre Fotogramas (CFC) y Agrupación entre Vistas (CVC) para manejar oclusiones temporales y basadas en la vista.

Principales resultados:

• El conjunto de datos COSOS-1k permite una investigación diversa y expresiva en seguridad en espacios confinados.
• Los métodos propuestos OUE, CFC y CVC mitigan eficazmente los problemas de oclusión.
• Los experimentos validan la efectividad de los nuevos métodos y resaltan la importancia del conjunto de datos.

Conclusiones:

• El conjunto de datos COSOS-1k y los métodos propuestos avanzan significativamente la investigación en seguridad operacional en espacios confinados.
• Abordar la oclusión es crucial para el reconocimiento preciso de equipos de seguridad en entornos complejos.
• La diversidad y expresividad del conjunto de datos son clave para desarrollar modelos robustos de visión por computadora para la seguridad ocupacional.