Destilação de conhecimento aplicada à resiliência de sistemas de percepção em condições de falha sensorial

AGRADECIMENTOS Agradeço, em primeiro lugar, à minha esposa Elizangela, por estar ao meu lado em todos os momentos e por sempre me incentivar a fazer o meu melhor.Sua presença e incentivo foram fundamentais para que este trabalho se tornasse possível.Aos meus pais, Dorival e Eliana, agradeço pelo exemplo de dedicação e pelos valores que sempre me transmitiram.O incentivo e a confiança que depositaram em mim tornaram possível a realização deste objetivo.Ao meu orientador, Prof. Dr. Danilo Hernani Perico, expresso meu agradecimento pela orientação técnica, pela disponibilidade e pela confiança ao longo de toda a pesquisa.Estendo também meus agradecimentos aos professores e colaboradores do Centro Universitário FEI, que contribuíram para minha formação ao longo do curso de mestrado, bem como aos colegas de classe, pelas discussões e pelo ambiente de aprendizado compartilhado."A ship in harbor is safe, but that is not what ships are built for."John A. Shedd RESUMO Este trabalho investiga a aplicação da técnica de destilação de conhecimento como estratégia para promover a resiliência de sistemas de percepção em condições de falha sensorial.A abordagem proposta consiste em transferir o conhecimento aprendido por um modelo multimodal, denominado Professor, para um modelo mais simples, denominado Aluno, de forma que este mantenha desempenho satisfatório mesmo quando uma das modalidades sensoriais está ausente ou degradada.A hipótese central é que, ao aprender as relações implícitas entre sensores, o modelo Aluno pode preservar a consistência perceptiva sem depender de todas as entradas originais.A técnica é avaliada no contexto da estimativa de profundidade, considerando a combinação entre sensores LiDAR e câmera monocular.O modelo Professor utiliza ambas as modalidades para produzir mapas de profundidade densos, enquanto o modelo Aluno aprende a reproduzir esses resultados empregando apenas a câmera.O estudo utiliza como base arquiteturas do tipo encoder-decoder, com três variantes de rede neural (VGG16, ResNet-34 e MobileNetV2), comparando sua eficiência e capacidade de generalização.Os experimentos são realizados sobre o conjunto de dados KITTI, amplamente empregado em pesquisas de percepção visual, permitindo a validação quantitativa e qualitativa dos resultados.Os resultados demonstram que a destilação de conhecimento é eficaz na transferência de informação entre domínios sensoriais, preservando parte significativa do desempenho mesmo em cenários de falha.A abordagem proposta evidencia o potencial da destilação como mecanismo de resiliência informacional, capaz de substituir, em certa medida, a redundância física de sensores.Além de sua relevância prática, o estudo contribui para o avanço do campo de aprendizado profundo aplicado à percepção multimodal, apresentando uma alternativa escalável e eficiente para o desenvolvimento de sistemas perceptivos mais robustos e adaptativos.