Project R-16336

Robuuste context-bewuste objectdetectie voor edge devices. (Onderzoek)

Objectdetectie heeft de voorbije jaren opmerkelijke prestaties bereikt op zorgvuldig samengestelde benchmarkdatasets. Toch blijken detectiemodellen die worden ingezet in realistische edge-omgevingen vaak kwetsbaar onder uitdagende omstandigheden zoals occlusie, kleine objecten, complexe achtergronden en distributieverschuivingen. Deze problemen zijn bijzonder kritisch in embedded visiesystemen, waar rekenbeperkingen leiden tot lagere inputresoluties, compacte modelarchitecturen en strikte latentievereisten. Een fundamentele beperking van huidige objectdetectiesystemen is hun frame-gecentreerde perceptieparadigma. De meeste detectiemodellen vertrouwen voornamelijk op lokale visuele informatie binnen afzonderlijke frames, terwijl bredere contextuele signalen die onzekere observaties kunnen verduidelijken grotendeels worden genegeerd. In realistische omgevingen is objectinterpretatie echter intrinsiek contextueel: de ruimtelijke structuur van een scène beperkt plausibele objectlocaties, temporele continuïteit stabiliseert perceptie bij occlusie, en semantische relaties tussen objecten bieden bijkomende aanwijzingen voor interpretatie. Hoewel recent onderzoek contextuele redenering binnen computer vision heeft verkend, steunen bestaande benaderingen vaak op computationeel zware architecturen, zoals transformer-gebaseerde modellen of graaf-gebaseerde redeneernetwerken. Dergelijke methoden zijn doorgaans moeilijk inzetbaar op resource-beperkte edge-apparaten. Hierdoor bestaat er momenteel geen principieel kader dat context formeel modelleert en deze efficiënt integreert binnen realtime objectdetectiesystemen voor edge-AI omgevingen. Deze lacune leidt tot de centrale onderzoeksvraag van dit onderzoek: Hoe kunnen ruimtelijke, temporele en semantische context formeel worden gemodelleerd en benut om de robuustheid van objectdetectie te verbeteren, terwijl realtime prestaties op edge-apparaten behouden blijven?

01 januari 2026 - 31 december 2029