Publicação: Emprego de visão computacional para identificação de comportamento suspeito no varejo
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::OUTROS::ENGENHARIA MECATRONICA
Título da Revista
ISSN da Revista
Título de Volume
Orientador
Coorientador
Resumo
O presente trabalho aborda o problema crônico das perdas de inventário por furtos no setor
varejista, com o objetivo de comparar empiricamente o desempenho de duas conhecidas
arquiteturas de aprendizado profundo na identificação automatizada de comportamentos
suspeitos em vídeos: uma Rede Neural Convolucional Tridimensional (I3D) e um Trans-
formador de Visão (TimeSFormer). Para a condução do estudo, a metodologia englobou a
construção de um banco de dados próprio através da agregação, filtragem e segmentação
de amostras de bases públicas, submetendo os modelos a dezesseis configurações experi-
mentais. Tais experimentos variaram a estratégia de ajuste de pesos, a resolução temporal
e o uso de imagens de fluxo óptico combinadas ao padrão de cores convencional. A avalia-
ção incluiu ainda uma simulação de monitoramento contínuo em vídeos reais não editados,
utilizando uma abordagem de inferência por janela deslizante. Os resultados demonstram
que o ajuste profundo de todos os parâmetros da rede configura uma etapa estritamente
essencial para a convergência e o aprendizado em ambas as arquiteturas. O Transfor-
mador de Visão alcançou a melhor capacidade de generalização e controle de alarmes
falsos no conjunto de teste, mas exige um investimento computacional substancialmente
maior com elevado tempo de inferência. Em contrapartida, a Rede Neural Convolucional
apresentou um comportamento preditivo conservador e com maior tendência a falsos po-
sitivos, destacando-se, no entanto, pela alta eficiência e baixa latência em sua execução.
Conclui-se que a aplicação mercadológica exige um compromisso técnico direto entre a
alta seletividade de modelos baseados em atenção e a escalabilidade e rapidez das redes
convolucionais, além de constatar que ambos os sistemas compartilham vulnerabilidades
críticas e falhas de detecção frente a oclusões severas e movimentos sutis no ambiente
comercial.
Abstract
This work addresses the chronic problem of inventory losses due to theft in the retail sector,
aiming to empirically compare the performance of two known deep learning architectures
for the automated detection of suspicious behavior in videos: a Three-Dimensional Con-
volutional Neural Network (I3D) and a Vision Transformer (TimeSFormer). To conduct
the study, the methodology involved building a proprietary dataset through the aggrega-
tion, filtering, and segmentation of samples from public datasets, subjecting the models
to sixteen experimental configurations. These experiments varied the weight fine-tuning
strategy, temporal resolution, and the use of optical flow images combined with standard
RGB inputs. The evaluation also included a simulation of continuous monitoring on real,
unedited videos using a sliding window inference approach. The results demonstrate that
full fine-tuning of all network parameters is a strictly essential step for convergence and
learning in both architectures. The Vision Transformer achieved the best generalization
capability and false alarm control on the test set, attaining perfect precision; however, it
requires substantially higher computational investment and exhibits high inference time.
In contrast, the Convolutional Neural Network showed a more conservative predictive
behavior with a greater tendency toward false positives, while standing out for its high
efficiency and low latency. It is concluded that practical deployment requires a direct tech-
nical trade-off between the high selectivity of attention-based models and the scalability
and speed of convolutional networks. Additionally, both systems share critical vulnera-
bilities and detection failures when faced with severe occlusions and subtle movements in
retail environments.
Palavras-chave
Inteligência Artificial, Comportamento Suspeito, Varejo, Visão Computacional, TimeSFormer, I3D, Redes Convolucionais 3D, Transformers
Citação
MENEZES, Luis Felipe Costa Fernandes de. Emprego de visão computacional para identificação de
comportamento suspeito no varejo. 2026. 72 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecatrônica) – Universidade Federal de Uberlândia, Uberlândia, 2026.