Nowadays, images are generated on a large scale and in a decentralized way. Such modality of data carries valuable information but extracting this information is not always trivial. In this thesis, we tackle computer vision challenges when using ground-level images. The first challenge is the high-cost annotation for evaluating object detection methods. In the context of image degradation imposed by weather, the second issue is the lack of analysis that evaluates the impact of de-raining methods to the object detection algorithms on rainy images. The third challenge is the evaluation of the reliability of the density estimation results from a real sensor network. The emergence of sensor network data motivates the last problem, of estimating the urban degradation in the city using city images. These challenges define the scope of this thesis. For the first problem, we proposed an approach with cheap annotation cost for object detectors comparison and we applied it in a semi-supervised learning approach using surveillance images. To address challenge two, we established a protocol and performed an extensive benchmark of object detection preceded by de-raining methods. We find strong indicators that no current de-raining method can robustly improve the posterior object detection accuracy when applied in this naive way. The third issue was tackled by creating a probabilistic sensing model to establish theoretical bounds for the errors of the sensed distributions. The approach has been validated using simulation and applied to compute the pedestrian density map in Manhattan. To attack the last problem, we systematically collected public images of São Paulo and segmented the regions affected by tagging, as an indicator of the urban degradation of the region. The source code is fully released.

Atualmente, as imagens são geradas em larga escala e de forma descentralizada. Essa modalidade de dados carrega informações valiosas, mas extrair essas informações nem sempre é trivial. Nesta tese, definimos e propomos soluções a desafios de visão computacional ao utilizar imagens no nível do solo. O primeiro desafio é a anotação de alto custo para avaliar métodos de detecção de objetos. No contexto da degradação da imagem imposta pelo clima, a segunda questão é a falta de análise que avalie o impacto dos métodos de chuvas nos algoritmos de detecção de objetos em imagens chuvosas. O terceiro desafio é a confiabilidade dos resultados da estimativa de densidade de uma rede real de sensores. O surgimento de dados da rede de sensores motiva o último problema, de estimar a degradação urbana na cidade usando imagens em nível de solo. Esses desafios definem o escopo desta tese. Para o primeiro problema, propusemos uma abordagem com menor custo de anotação para comparação de detectores de objetos e a aplicamos em uma abordagem de aprendizado semi-supervisionada usando imagens de vigilância. Para enfrentar o desafio dois, estabelecemos um protocolo e realizamos uma extensa referência de detecção de objetos quando precedidas por métodos de remoção de chuva. Encontramos fortes indicadores de que métodos atuais de remoção de chuva não podem melhorar de maneira robusta a precisão da posterior detecção de objetos quando aplicado dessa maneira direta. A terceira questão foi abordada através da criação de um modelo de detecção probabilística para estabelecer limites teóricos para os erros das distribuições detectadas. A abordagem foi validada usando simulação e aplicada para calcular o mapa de densidade de pedestres em Manhattan. Para atacar o último problema, coletamos sistematicamente imagens públicas de São Paulo e segmentamos as regiões afetadas, como indicadores da degradação urbana da região. O código fonte foi integralmente publicado.