On the influence of artificially distorted images in firearm detection performance using deep learning

Abstract

Detectar personas que portan armas de fuego en escenas exteriores o interiores generalmente permite identificar (o evitar) situaciones potencialmente peligrosas. Sin embargo, la detección automática de estas armas puede verse gravemente afectada por las condiciones de la escena. Comúnmente, en situaciones reales, estas armas pueden ser vistas desde diferentes perspectivas. También pueden tener tamaños variados y apariencias diferentes. Además, las imágenes que contienen estos objetos suelen ser complejas, y las armas de fuego pueden aparecer parcialmente ocluidas. Es común que las imágenes puedan verse afectadas por varios tipos de distorsiones, como: ruido impulsional, oscurecimiento de la imagen o desenfoque, entre otras. Todas estas variabilidades percibidas podrían degradar significativamente la precisión de la detección de armas de fuego. Las redes de detección profundas actuales ofrecen una buena precisión de clasificación, con alta eficiencia y usando recursos computacionales restringidos. Sin embargo, la influencia de las condiciones prácticas en las que se deben detectar estos objetos no ha sido suficientemente analizada. Nuestro artículo describe un estudio experimental sobre cómo un conjunto de distorsiones de imagen seleccionadas degrada cuantitativamente el rendimiento de la detección en imágenes de prueba, cuando las redes de detección solo han sido entrenadas con imágenes que no presentan dichas alteraciones. Las distorsiones de imágenes de prueba analizadas incluyen ruido impulsional, desenfoque, oscurecimiento de la imagen, reducción del tamaño de la imagen y oclusiones. Para cuantificar el impacto de cada distorsión individual en el problema de detección de armas, hemos utilizado una red estándar YOLOv5. Nuestros resultados experimentales han mostrado que la adición creciente de ruido de tipo sal-y-pimienta es, con mucho, la distorsión que más afecta el rendimiento de la red de detección.