Compact Convolutional Segmentation for Visual Landmark Extraction in GNSS-Denied UAV Navigation

Resumen Técnico: Segmentación Convolucional Compacta para la Extracción de Puntos de Referencia Visuales en la Navegación de UAV en Entornos Sin GNSS

Planteamiento del Problema
La localización fiable de Vehículos Aéreos No Tripulados (UAV) se ve gravemente comprometida cuando las señales del Sistema Global de Navegación por Satélite (GNSS) están degradadas, bloqueadas o interferidas. Si bien la navegación inercial y el LiDAR ofrecen alternativas, a menudo sufren de acumulación de deriva, altos costes de hardware o complejidad del sistema. La navegación visual utilizando cámaras a bordo presenta una alternativa práctica, específicamente mediante la identificación de puntos de referencia espacialmente estables y distintivos. Sin embargo, la extracción de estos puntos de referencia a partir de imágenes aéreas es un desafío debido a las variaciones de escala, sombras, el desorden del fondo y los cambios dependientes de la perspectiva. El problema central abordado es la falta de una arquitectura de front-end dedicada y ligera capaz de segmentar candidatos a puntos de referencia visuales (específicamente estructuras artificiales estables como edificios) a partir de imágenes aéreas para apoyar las etapas posteriores de emparejamiento o localización en entornos sin GNSS.

Metodología
El estudio propone un marco de segmentación convolucional totalmente convolucional y compacto, diseñado como un front-end visual en lugar de un sistema de navegación completo. La metodología involucra los siguientes componentes:

• Diseño de la Arquitectura: El modelo utiliza una estructura codificador-decodificador en forma de U. Integra tres mecanismos clave:
  1. Contexto Espacial basado en Dilatación: Se emplean convoluciones dilatadas para ampliar el campo receptivo efectivo sin aumentar significativamente los parámetros, lo que permite capturar estructuras espaciales multiescala.
  2. Transferencia de Características Residuales: Se incorporan conexiones residuales para preservar la información de las características tempranas y mitigar la degradación en redes más profundas, apoyando la recuperación de detalles espaciales tras el submuestreo.
  3. Configuración Compacta de Canales: A diferencia de las arquitecturas estándar que utilizan potencias de dos, el modelo emplea una configuración de canales compacta y no estándar inspirada en los números de Fibonacci y primos (5, 23, 89 y 233 canales) para mantener una huella ligera adecuada para posibles restricciones a bordo.
• Conjunto de Datos y Entrenamiento: Debido a la indisponibilidad de un conjunto de datos dedicado a UAV, los autores adaptaron el conjunto de datos de segmentación de edificios aéreos de Mnih (regiones de Boston y Massachusetts). Las imágenes originales de 1500×1500 fueron particionadas en subimágenes de 500×500 y redimensionadas a 192×192 píxeles. El conjunto de datos comprendió 600 imágenes de entrenamiento, 63 de validación y 26 de prueba.
• Configuración de Entrenamiento: La red fue entrenada utilizando el optimizador Adam (tasa de aprendizaje de 0.005) con un tamaño de lote de 200 para 10 épocas. Se aplicaron normalización por lotes (batch normalization) y dropout para la regularización.

Contribuciones Clave y Evaluación Experimental
La contribución principal es la propuesta y evaluación de una arquitectura compacta específica que combina la dilatación y el aprendizaje residual para la extracción de puntos de referencia. El estudio realiza una comparación de tipo ablación de cuatro variantes de modelos bajo idénticas condiciones de entrenamiento:

• Modelo 0 (Simple): Una red convolucional base.
• Modelo 1 (Dilatación): Añade convoluciones dilatadas.
• Modelo 2 (Residual): Añade conexiones residuales.
• Método Propuesto: Combina tanto la dilatación como los mecanismos residuales.

Resultos
Los resultados experimentales indican que la arquitectura propuesta logra la pérdida más baja tanto en el conjunto de entrenamiento como en el de prueba.

• Rendimiento de Entrenamiento: El método propuesto produjo la mayor Intersección sobre Unión (IoU), precisión y exhaustividad (recall) entre todas las variantes en el conjunto de entrenamiento.
• Rendimiento de Prueba: En el conjunto de prueba, el Modelo 2 (solo Residual) logró valores de IoU, precisión y exhaustividad superiores a los del método propuesto, aunque el método propuesto mantuvo la pérdida de prueba más baja.
• Análisis Cualitativo: Las predicciones visuales muestran que el modelo responde con éxito a patrones estructurales similares a edificios mientras suprime regiones que no son puntos de referencia (agua, carreteras). Sin embargo, los resultados también resaltan limitaciones, incluyendo valores de exhaustividad relativamente bajos, problemas de nitidez en los bordes e detección incompleta de regiones.

Significancia y Reivindicaciones
El artículo posiciona modestamente sus hallazgos como un estudio de viabilidad para un front-end visual en lugar de un sistema de navegación finalizado.

• Viabilidad: El estudio demuestra que el aprendizaje de características basado en segmentación puede servir como un paso inicial viable para la extracción de candidatos a puntos de referencia visuales a partir de imágenes aéreas.
• Perspectiva Arquitectónica: La combinación de procesamiento de dilatación y residual proporciona una arquitectura compacta y estable, aunque los beneficios específicos de las conexiones residuales parecen más pronunciados para la preservación de la información espacial en esta configuración específica.
• Limitaciones y Trabajo Futuro: Los autores declaran explícitamente que los resultados actuales no son un benchmark de estado del arte. La baja exhaustividad y los problemas de generalización se atribuyen al número limitado de épocas de entrenamiento, al pequeño conjunto de prueba y a la falta de datos específicos de UAV. El artículo concluye que se requiere más trabajo, incluyendo un entrenamiento extendido, la creación de conjuntos de datos anotados específicos para UAV y la integración con algoritmos de emparejamiento o localización. Además, aunque el diseño es ligero, los autores señalan que la idoneidad para el despliegue en tiempo real a bordo requiere una validación adicional mediante mediciones de tiempo de inferencia, memoria y energía en hardware embebido.