AquaFeat+: an Underwater Vision Learning-based Enhancement Method for Object Detection, Classification, and Tracking

Resumen Técnico: AquaFeat+ para Tareas de Visión Subacuática

Planteamiento del Problema
Las aplicaciones robóticas subacuáticas, como la identificación de especies, el monitoreo de escombros y la inspección de infraestructura, dependen en gran medida de sistemas de visión computarizada. Sin embargo, el entorno subacuático presenta desafíos severos, incluyendo la baja iluminación, la distorsión del color, la atenuación de la luz y la dispersión. Estos factores degradan la calidad de los datos visuales, causando una pérdida de contraste y nitidez que compromete directamente el rendimiento de los modelos de detección, clasificación y seguimiento de objetos.

Los métodos de mejora existentes a menudo enfrentan dos limitaciones críticas:

1. Desalineación de la Tarea: La mayoría de los enfoques están optimizados para la calidad perceptual humana (atractivo estético) en lugar de la preservación o extracción de características críticas para el análisis automatizado. Una imagen que resulta visualmente atractiva puede seguir ocultando patrones esenciales, impactando negativamente el rendimiento algorítmico.
2. Eficiencia Computacional: Muchos modelos de mejora basados en aprendizaje profundo incurren en altas demandas computacionales y largos tiempos de procesamiento, lo que dificulta su aplicabilidad en operaciones robóticas en tiempo real.

Metodología: AquaFeat+
Los autores proponen AquaFeat+, un pipeline "plug-and-play" diseñado para mejorar las características específicamente para tareas de visión automatizada en lugar de la percepción humana. La arquitectura se entrena de extremo a extremo (end-to-end), guiada directamente por la función de pérdida de la aplicación final (detección, clasificación o seguimiento), asegurando que la mejora sea relevante para la tarea derivada.

El modelo consta de tres módulos principales:

1. Módulo de Corrección de Color: Un paso de preprocesamiento no entrenable que mitiga las distorsiones cromáticas y la absorción selectiva de luz. Analiza las intensidades promedio de los canales Rojo, Verde y Azul, y ajusta la distribución de color hacia el canal de la mediana, proporcionando una entrada con balance de blancos y más limpia para las capas subsecuentes.
2. Proceso de Mejora de Características: Este proceso central se integra con las tareas derivadas a través de tres etapas:
   • Red de Mejora de Características Subacuáticas (U-FEN): Procesa fotogramas RGB en tres flujos paralelos (resolución original, 1/4 y 1/8) utilizando pesos compartidos. Reemplaza la primera capa estándar con una capa SpecialConv, un mecanismo entrenable y sensible al contenido que ajusta dinámicamente el contraste basándose en las estadísticas por canal (media y desviación estándar). La red utiliza una arquitectura U-Net con conexiones de salto (skip connections) densas y activación LeakyReLU para prevenir el desvanecimiento de gradientes.
   • Módulo de Atención de Escala Global (GSAM): Una arquitectura híbrida diseñada para refinar las características mediante un diseño de doble vía. Combina un módulo de Atención de Características Globales (GFA), que modela dependencias espaciales de largo alcance, con un mecanismo de Agregación de Características Sensible a la Escala (SAFA) para la fusión multiescala. Los resultados se combinan con la entrada original mediante conexiones residuales para enriquecer la representación con contexto global y detalles multiescala.
   • Agregación Final de Características: El resultado del GSAM se redimensiona y se concatena con el flujo de características de menor resolución (escala 1/8). Una capa convolucional final de 3×3 fusiona estos elementos en una representación integral.
3. Salida Residual Adaptativa: La etapa final genera un mapa residual de mejora utilizando una capa terminal SpecialConv. Este residual se normaliza (vía tanh) y se añade a la imagen de entrada original, preservando la integridad estructural mientras se aplican las mejoras aprendidas.

Contribuciones Clave

• Mejora Orientada a la Tarea: La propuesta de AquaFeat+, un módulo diseñado específicamente para mejorar características jerárquicas en videos subacuáticos de baja iluminación para optimizar el rendimiento de detección, clasificación y seguimiento.
• Entrenamiento de Extremo a Extremo: Demostrar la efectividad de entrenar el módulo de mejora guiado directamente por la función de pérdida de la tarea final, en lugar de métricas de calidad de imagen genéricas.
• Adaptación de Dataset: La adaptación del dataset FishTrack23 con un enfoque específico en la optimización de tareas de detección, clasificación y seguimiento para la percepción robótica, incluyendo limpieza de datos y estrategias de agrupación de clases para abordar el desequilibrio.

Resultados Experimentales
El método fue evaluado en el dataset FishTrack23 utilizando YOLOv8m/YOLOv10s para detección/seguimiento y YOLOv11s-cls para clasificación. Los resultados se compararon con el predecesor (AquaFeat), otras técnicas de mejora (FeatEnHancer) y modelos base.

• Detección de Objetos: AquaFeat+ (YOLOv8m) logró el F1-Score más alto (0.688), indicando el mejor equilibrio entre precisión y exhaustividad (recall). Aunque no alcanzó el mAP0.5 absoluto más alto (0.556 frente a 0.557 de AquaFeat YOLOv10s), mantuvo un rendimiento extremadamente competitivo mientras mejoraba significamente el recall sobre el baseline YOLOv8m (0.624 frente a 0.582).
• Clasificación: AquaFeat+ superó a todos los demás enfoques en precisión (0.816), exhaustividad (0.791) y F1-Score (0.791). Demostró una capacidad consistente para identificar y equilibrar las predicciones positivas, superando métodos existentes como FeatEnHancer y el baseline YOLOv11s-cls.
• Seguimiento: En el seguimiento de múltiples objetos, AquaFeat+ (YOLOv10s) alcanzó el puntaje HOTA más alto (55.206) y el mejor puntaje AssA (60.194), lo que indica un equilibrio superior entre la precisión de detección y de asociación. También obtuvo el segundo mejor puntaje IDF1 (68.094), demostrando una consistencia de identidad efectiva a largo plazo.

El análisis cualitativo confirmó que AquaFeat+ fue a menudo el único método capaz de detectar correctamente objetos parcialmente ocluidos en los bordes de la imagen o de identificar peces en escenarios de baja visibilidad donde los modelos base y otras técnicas de mejora fallaron.

Significancia y Reivindicaciones
El artículo afirma que AquaFeat+ valida su capacidad para elevar significativamente las capacidades de percepción en escenas subacuáticas complejas. Al integrar la mejora de características directamente en el pipeline de la tarea de visión y optimizar para el rendimiento derivado en lugar del atractivo visual, el método aborda la brecha entre la mejora de imagen y el análisis automatizado. Los resultados sugieren que AquaFeat+ es una solución flexible y eficiente que puede integrarse sin problemas en diversas plataformas robóticas para mejorar la fiabilidad del análisis de la escena para la toma de decisiones. Los autores señalan que el trabajo futuro implicará la extensión de la aplicación a tareas como la estimación de profundidad y la segmentación semántica, así como la evaluación del modelo en nuevos datasets del mundo real.