💻 computer science

MiLSD: A Micro Line-Segment Detector for Resource-Constrained Devices

Este artículo presenta MiLSD, un detector de micro segmentos de línea optimizado para dispositivos con recursos limitados que logra una mejora significativa en la precisión en el conjunto de datos ShanghaiTech Wireframe mediante la evaluación sistemática de las representaciones de salida, los efectos de cuantización y las estrategias de posprocesamiento dentro de un presupuesto estricto de memoria inferior a un megabyte.

Autores originales: Parsa Hassani Shariat Panahi, Amir Hossein Jalilvand, M. Hassan Najafi

Publicado 2026-07-09

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Parsa Hassani Shariat Panahi, Amir Hossein Jalilvand, M. Hassan Najafi

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñar a un pequeño robot impulsado por batería (como un timbre inteligente o un coche de juguete) a "ver" líneas rectas en una habitación. En el mundo de la visión artificial, encontrar líneas es crucial para tareas como mapear una habitación o comprobar si una pieza de una máquina está bien fabricada.

El problema es que los modelos de IA realmente buenos para esto suelen vivir en ordenadores potentes (como las GPU) o teléfonos inteligentes. Son como bibliotecas gigantes llenas de libros (datos) y requieren una mansión masiva (memoria) para almacenarlos. Un microcontrolador diminuto (el cerebro del robot) es más como un cuaderno de bolsillo con solo unas pocas páginas de espacio. No puede contener la biblioteca gigante.

Este artículo presenta MiLSD, una nueva forma de enseñar a estos pequeños robots a encontrar líneas sin necesidad de una mansión. Así es como lo hicieron, desglosado en conceptos sencillos:

1. El problema del "lenguaje" (Representaciones de salida)

Antes de enseñar al robot, los investigadores tuvieron que decidir cómo pedirle que describa una línea. Probaron tres "lenguajes" diferentes:

El Mapa de Calor (El "Mapa Nebuloso"): Este método le pide al robot que pinte cada uno de los píxeles que podrían ser parte de una línea. Es como intentar dibujar una línea recta coloreando cada punto en una cuadrícula. Es desordenado y requiere un segundo paso para conectar los puntos.
El Centro + Desplazamiento (El "Ancla y la Cuerda"): Este método encuentra el medio de la línea y luego pregunta: "¿A qué distancia y en qué dirección van los dos extremos?". Es mejor, pero las matemáticas se vuelven complicadas para un cerebro diminuto.
El F-Clip (La "Tarjeta de Identidad Compacta"): Este fue el ganador. En lugar de adivinar, se le enseña al robot a describir una línea usando solo cuatro datos: ¿Dónde está el centro? ¿Qué longitud tiene? ¿Y qué ángulo tiene?
- La analogía: Imagina describir un palo a un amigo. En lugar de señalar cada pulgada de él (Mapa de Calor) o darle coordenadas complejas, simplemente dices: "Está aquí, mide 10 pulgadas y está inclinado 45 grados". Este método de la "Tarjeta de Identidad" es tan eficiente que incluso un modelo diminuto con muy pocos parámetros (25.000) pudo aprenderlo bien.

2. El problema de la "compresión" (Cuantización)

Para que el modelo cupiera en el pequeño cuaderno, los investigadores tuvieron que encoger los números dentro de la IA.

Precisión Completa (fp32): Como medir una mesa con una regla que tiene marcas hasta el milímetro. Muy precisa, pero ocupa mucho espacio.
Cuantización de 8 bits: Como usar una regla con marcas cada centímetro. El artículo encontró que, para la detección de líneas, esto es casi tan bueno como la regla de milímetros. El robot aún puede ver las líneas perfectamente.
Cuantización de 4 bits: Como usar una regla con marcas cada 10 centímetros. El artículo encontró que esto fue un desastre. El robot se confundió, especialmente al intentar adivinar el ángulo de la línea. Es como intentar adivinar un ángulo preciso con una regla muy tosca; el error es demasiado grande. Incluso con un entrenamiento especial para ayudar, el robot no pudo recuperar la precisión perdida.

3. El problema de la "actualización" (Escalabilidad)

Los investigadores comenzaron con el robot más pequeño posible (en un chip STM32F746 con 320KB de memoria). Funcionaba, pero era un poco lento y no era súper preciso.
Luego, pasaron a un robot ligeramente más grande (STM32H7 con 1MB de memoria). Esto es como actualizar de un cuaderno de bolsillo a un pequeño diario.

Más Espacio = Cerebro más Inteligente: Con este espacio extra, pudieron hacer el "cerebro" (la red neuronal) más grande. Esto por sí solo mejoró significamente la precisión.
Los trucos de "Refinamiento": Añadieron tres trucos ingeniosos que ocurren mientras el robot mira la imagen, sin necesidad de reentrenar el cerebro:
1. Decodificación subpíxel: En lugar de solo decir "la línea está aquí", el robot estima que la línea está ligeramente a la izquierda o a la derecha de la cuadrícula de píxeles, lo que la hace mucho más nítida.
2. Aumentación en el Tiempo de Prueba (TTA): El robot mira la imagen, luego la mira boca abajo, de lado y en diagonal, y promedia los resultados. Es como pedirle a un grupo de amigos que miren un cartel borroso y promediar sus suposiciones para obtener la respuesta correcta.
3. El "Verificador" (Línea de Interés): El robot hace una lista de posibles líneas, pero algunas son falsas (como sombras o texturas). Un pequeño módulo "juez" observa cada candidata y dice: "Sí, esa es una línea real" o "No, eso es solo ruido". Este paso aumentó la precisión de forma considerable.

El Resultado

Al combinar el lenguaje eficiente de la "Tarjeta de Identidad", la compresión segura de 8 bits y los trucos de "Refinamiento", los investigadores construyeron MiLSD.

En el robot diminuto, encontró líneas con una puntuación de 10.6.
En el robot ligeramente más grande con los trucos extra, saltó a una puntuación de 24.1.

La Conclusión:
El artículo demuestra que no necesitas un superordenador gigante para encontrar líneas. Si eliges la forma adecuada de describir la línea (F-Clip), comprimes los números cuidadosamente (8 bits) y añades algunos trucos inteligentes de "post-procesamiento", puedes obtener un detector de líneas muy capaz que cabe enteramente dentro de un chip de microcontrolador diminuto y de bajo coste. Es un puente entre los detectores clásicos "torpes" y los modelos de IA "inteligentes" pero pesados.

Resumen Técnico: MiLSD – Un Detector de Micro Segmentos de Línea para Dispositivos con Limitación de Recursos

Declaración del Problema

La detección de segmentos de línea es una primitiva fundamental para el SLAM visual, la reconstrucción 3D y la inspección industrial. Si bien los métodos recientes de aprendizaje profundo han logrado una alta precisión, típicamente requieren memoria de clase GPU (megabytes a gigabytes), lo que los hace incompatibles con microcontroladores (MCU) de bajo costo que a menudo poseen solo cientos de kilobytes de SRAM. Por el contrario, los detectores clásicos (por ejemplo, LSD, EDLines) son ligeros pero sufren de una precisión degradada en entornos de bajo contraste o con mucho ruido, y carecen de los límites de memoria estática requeridos para un despliegue embebido determinista. Actualmente existe un vacío en la literatura para detectores de segmentos de línea aprendidos que operen eficazmente dentro de presupuestos de memoria de sub-megabyte en MCUs de propósito general.

Metodología

Los autores proponen MiLSD, un detector adaptado a las restricciones de nivel de MCU, y llevan a cabo una investigación sistemática sobre la compensación entre precisión y recursos a través de tres dimensiones: representación de salida, ancho de bits de cuantización y estrategias de inferencia.

1. Representaciones de Salida

El estudio evalúa tres esquemas de codificación en un núcleo (backbone) totalmente convolucional compacto (rejilla de salida de 128×128):

Mapa de Calor (Heatmap): Una clasificación binaria por píxel que requiere un vinculador externo para formar segmentos.
Centro con Desplazamiento (Center-with-Displacement): Predice un mapa de confianza de centro y dos vectores de desplazamiento de extremos (cuatro canales).
F-Clip (Centro-Longitud-Ángulo): Codifica cada segmento como una confianza de centro, longitud ( $\ell$ ) y orientación. Crucialmente, el ángulo se codifica como un vector de doble ángulo $(\cos 2\theta, \sin 2\theta)$ para resolver la ambigüedad de 180°. Esta formulación requiere solo cuatro canales de salida y evita el vinculamiento externo.

2. Arquitectura y Cuantización

Núcleo (Backbone): Una red totalmente convolucional con pasos (strided) compacta (5 capas) con anchos de canal que escalan de 8 a 32. La variante más pequeña contiene aproximadamente 25k parámetros.
Cuantización: El modelo emplea cuantización entera simétrica por tensor. Los autores evalúan precisión de punto flotante completo (fp32), 8 bits (int8) y 4 bits (int4). Utilizan Entrenamiento con Conciencia de Cuantización (QAT) con estimadores de paso directo (STE) para simular la cuantización durante el entrenamiento.
Despliegue: El entrenamiento ocurre fuera del dispositivo (GPU), mientras que la inferencia se ejecuta en el dispositivo (STM32F746 y STM32H7) utilizando CMSIS-NN para aritmética entera optimizada.

3. Mejoras de Inferencia (Sistema MiLSD)

Para el STM32H7 (presupuesto de 1 MB de SRAM), el sistema integra:

Escalamiento de Capacidad: Aumento del ancho del núcleo a ~0.39M de parámetros.
Decodificación de Sub-píxel: Refinamiento de las ubicaciones de los picos mediante ajuste parabólico.
Aumentación en Tiempo de Prueba (TTA): Promedio de predicciones sobre giros horizontales, verticales y diagonales.
Verificación de Línea de Interés (LoI): Un cabezal MLP ligero que agrupa características a lo largo de líneas candidatas para re-calificar y filtrar detecciones espurias.

Resultados Clave

Representación y Capacidad

Superioridad de F-Clip: Bajo restricciones extremas de memoria (25k parámetros), la representación F-Clip supera significativamente a los métodos de Heatmap y Center-with-Displacement. Logra un sAP10 de 10.6, mientras que el baseline de heatmap obtiene 0.3 y el método de extremos obtiene 3.6. Esto indica que la codificación geométrica explícita es más crítica que la capacidad del modelo a esta escala.
Límites de Capacidad: Aumentar los parámetros de 25k a ~209k produce ganancias insignificantes en la pérdida de validación (held-out loss), lo que sugiere que el modelo alcanza un límite de información teórica impuesto por la resolución del conjunto de datos y el tamaño de entrada, más que un cuello de botella de capacidad.

Sensibilidad a la Cuantización

Rendimiento de 8 bits: La cuantización int8 preserva el rendimiento de punto flotante completo con una degradación insignificante (el sAP10 cae de 10.6 a 10.0).
Fallo de 4 bits: La cuantización de 4 bits causa un fallo catastrófico (el sAP10 cae a 0.7 con Cuantización Post-Entrenamiento). Incluso con QAT, el rendimiento solo se recupera a 6.9.
Regresión de Ángulo: La degradación se concentra en la rama de regresión de ángulo $(\cos 2\theta, \sin 2\theta)$ , la cual es altamente sensible a la rejilla tosca de 16 niveles de la cuantización de 4 bits.

Rendimiento del Sistema (MiLSD en STM32H7)

Al escalar el núcleo a un presupuesto de activación de 1 MB y aplicar mejoras de inferencia, MiLD logra:

sAP10 = 24.1 en el benchmark ShanghaiTech Wireframe.
Esto representa una mejora significativa sobre el baseline de 0.25 MB (10.6) permaneciendo dentro del límite de 1 MB de SRAM del STM32H7.
El cabezal de verificación LoI contribuye con la mayor ganancia individual (aproximadamente 3.1 puntos), cerrando la brecha entre la detección bruta y los segmentos verificados.

Significado y Reivindicaciones

El artículo posiciona a MiLSD como el primer detector de segmentos de línea aprendido diseñado y evaluado explícitamente bajo presupuestos de SRAM de sub-megabyte para MCU. Sus principales contribuciones son:

Mapeo de la Compensación: Caracteriza la frontera de precisión-recurso a través de representaciones, cuantización y post-procesamiento, identificando que F-Clip es la representación óptima para modelos pequeños pero es frágil a la cuantización de 4 bits en el canal de ángulo.
Demostración de Viabilidad: Demuestra que es posible lograr una calidad de wireframe significativa (sAP10 = 24.1) en hardware embebido, ocupando una región previamente vacía entre los detectores ligeros clásicos y los parsers de alta precisión en GPU.
Expectativas Modestas: Los autores reconocen que, aunque MiLSD es un avance para la visión embebida, su precisión (24.1) sigue siendo sustancialmente inferior a los parsers de clase GPU (por ejemplo, 60–70 sAP10). Esta brecha se atribuye a las limitaciones inherentes del régimen de memoria (kilobytes vs. megabytes) más que a un fallo del método.

El trabajo concluye que, para la detección a escala de MCU, las elecciones de codificación geométrica y la sensibilidad a la cuantización son determinantes más críticos para el éxito que el recuento bruto de parámetros, y que la cuantización de 8 bits es un umbral necesario para una regresión geométrica viable en este dominio.