Mijn onderzoek richt zich op het verbeteren van real-time verkeersbewaking met behulp van geavanceerde objectdetectie- en instance segmentatietechnieken. Een van mijn belangrijkste bijdragen is het aanpakken van de uitdaging van instance segmentatie in verkeersbewaking, waarbij geschikte publieke datasets vaak ontbreken. Ik heb geautomatiseerde methoden onderzocht voor het genereren van instance segmentatielabels voor aangepaste datasets, wat het verfijnen van geavanceerde segmentatiemodellen mogelijk maakt. In het bijzonder presenteer ik een nieuwe tweestapsbenadering voor het genereren van nauwkeurige instance masks om het YOLACT-YOLOv9-model opnieuw te trainen voor de verkeersbewakingsdomein. Deze methode maakt gebruik van het Segment Anything Model (SAM), waarbij 2D-bounding boxes als prompts worden gebruikt, en omvat drie belangrijke aanpassingen: het genereren van meerdere masks per object, het toevoegen van voorgrond-/achtergrondkennis per object, en het filteren van instance masks van lage kwaliteit. Daarnaast introduceer ik een multi-scale soft loss functie op basis van consistentieregularisatie om onvolledige labels te compenseren. Deze aanpak leidt tot aanzienlijke verbeteringen in detectie- en segmentatienauwkeurigheid in complexe verkeersscènes.

Naast 2D-detectie strekt mijn werk zich ook uit tot 3D-objectdetectie met behulp van monoculaire camera’s. Hierbij maak ik gebruik van het KM3D CNN-gebaseerde 3D-detectiemodel, dat ik heb aangepast voor toepassingen in verkeersbewaking—een domein waarin 3D-geannoteerde datasets meestal ontbreken. Om dit te ondervangen, ontwikkelde ik vier annotatieconfiguraties die gebruikmaken van cameracalibratie en scène-informatie. Een bijzonder waardevolle bijdrage is mijn Simple Box-methode, die een efficiënte manier biedt om 3D-boxen te construeren en nauwkeurige 3D-positie-inschattingen tot 125 meter mogelijk maakt.

Daarnaast heb ik bijgedragen aan het optimaliseren van de rekenefficiëntie in edge-gebaseerde bewakingssystemen door een zogenaamde early-out branch (EOBranch) te integreren in YOLO-architecturen. Deze techniek maakt het mogelijk om vroegtijdig uit te treden bij frames zonder relevante objecten, wat de rekentijd en het energieverbruik aanzienlijk vermindert zonder de detectienauwkeurigheid aan te tasten. We hebben deze benadering geëvalueerd in YOLOv6 en YOLOv9 via verschillende trainingsstrategieën, vertakkingslocaties en architectonische uitbreidingen. De verwerkingstijd werd met maximaal 46% gereduceerd over een periode van 24 uur aan verkeersbeelden. Deze bevindingen tonen het potentieel aan voor aanzienlijke energiebesparingen en verhoogde efficiëntie in real-time verkeersbewakingssystemen op edge-apparatuur.

Mijn meest recente onderzoek richt zich op multi-modale objectdetectie vanuit een droneperspectief, waarmee de mogelijkheden van bewaking worden uitgebreid voorbij vaste camerainstallaties. Dit verhoogt het situationeel bewustzijn en de detectienauwkeurigheid in dynamische omgevingen.

Dick Scholte behaalde zijn MSc-graad in Signal Processing binnen de opleiding Elektro Techniek aan de Technische Universiteit Eindhoven in 2021. Hij begon zijn carrière als onderzoeks- en ontwikkelingsingenieur bij ViNotion B.V. in Eindhoven. Sinds juni 2024 is Scholte gestart met zijn promotietraject bij het AIMS-onderzoekscentrum aan de Technische Universiteit Eindhoven.