Frequency-Guided Real-Time Detection of Weak Water-Surface Targetsfor Unmanned Surface Vehicles

Planteamiento del problema

La percepción visual en tiempo real para Vehículos de Superficie No Tripulados (USV) enfrenta un desafío crítico: la detección de objetivos débiles y pequeños en la superficie del agua (por ejemplo, escombros flotantes, objetos de rescate) bajo condiciones de baja relación señal-ruido (SNR). Estos objetivos suelen ocupar solo unos pocos píxeles (por ejemplo, de 12×12 a 32×32 píxeles) y están oscurecidos por olas, reflejos especulares e iluminación no uniforme. Los detectores existentes tienen dificultades con este problema de "interpretación de señales débiles" porque:

1. Desajuste de frecuencia: Muchos detectores tratan la interferencia de las olas y los reflejos como ruido visual genérico sin analizar su estructura de frecuencia específica.
2. Global vs. Local: Los modelos conscientes de la frecuencia suelen mejorar las características de forma global, mientras que los objetivos flotantes débiles requieren una mejora selectiva específicamente en las ramas de alta resolución para objetos pequeños.
3. Supervisión estática: Las pérdidas de regresión de caja delimitadora estándar (por ejemplo, CIoU) no adaptan su fuerza de corrección basándose en la calidad específica de la predicción o la desviación geométrica de muestras individuales.

Metodología

Los autores proponen un detector ligero basado en la arquitectura YOLO11n, introduciendo dos innovaciones principales: un módulo de características guiado por frecuencia y una pérdida de regresión adaptativa.

1. Análisis espectral de escenas en la superficie del agua

Antes de diseñar el modelo, los autores realizaron un análisis espectral entre conjuntos de datos de superficie de agua (FloW, FML-v1, FML-v2) frente a escenas genéricas (COCO).

• Hallazgos: Las imágenes de la superficie del agua exhiben exponentes de decaimiento espectral significativamente menores ($\beta \approx 2.3\text{--}2.5$) en comparación con las escenas genéricas ($\beta \approx 2.7$), lo que indica un decaimiento espectral más lento y una mayor retención de energía en las bandas de media y alta frecuencia.
• SNR: La SNR local para pequeños objetivos acuáticos es extremadamente baja (3–8 dB) en comparación con objetos genéricos (12–18 dB).
• Direccionalidad: Las superficies de agua muestran una fuerte concentración de energía direccional a lo largo de los ejes horizontales y verticales debido a las texturas de las olas, a diferencia de la distribución isotrópica en escenas genéricas.

2. Módulo de Selección de Banda y Enrutamiento Espacial (BSSR)

Para abordar los hallazgos espectrales, los autores insertaron el módulo BSSR exclusivamente en la rama de alta resolución P2 (paso o stride 4) del detector. Esto asegura que la mejora ocurra donde los objetivos pequeños son espacialmente visibles sin sobrecargar toda la red. El módulo consta de:

• Rama de Frecuencia: Descompone las características en bandas de baja, media y alta frecuencia. A diferencia de los enfoques estándar que suprimen las frecuencias medias como ruido, el BSSR aprende a enrutar y enfatizar la banda de frecuencia media, que contiene pistas sustanciales del objetivo en escenas acuáticas.
• Rama Direccional: Aplica núcleos de Sobel de cuatro direcciones (horizontal, vertical, diagonal) para capturar respuestas de bordes fragmentados causadas por la interferencia de las olas.
• Rama de Contexto Local: Utiliza una convolución de profundidad (depthwise) de 5×5 para preservar el soporte espacial local.
• Puerta Adaptativa (Adaptive Gating): Un enrutador ligero genera puertas activadas por sigmoide ($\alpha_1, \alpha_2, \alpha_3$) para fusionar las características mejoradas con la entrada original. La fórmula de salida es:
  $$F_{out} = F + \alpha_1 F_{base} + \alpha_2 F - \alpha_3 |F - F_{base}|$$
  Esta estructura inyecta pistas mejoradas, preserva la señal original y suprime adaptativamente las discrepancias residuales (actuando como una puerta de eliminación de ruido).

3. Pérdida de IoU Normalizada por Escala (SNK-IoU)

Los autores introducen una función de pérdida exclusiva para el entrenamiento que adapta la supervisión de la regresión de la caja delimitadora basándose en la calidad de la predicción, inspirada en el mecanismo de ganancia del filtro de Kalman.

• Mecanismo: Trata el error de IoU ($P = 1 - \text{IoU}$) como "incertidumbre de predicción" y la desviación de la relación de aspecto ($R$) como "ruido de observación".
• Ganancia Adaptativa: Se calcula una ganancia de Kalman acotada ($K \in [0.2, 0.8]$) para mezclar los términos lineales y cuadráticos de CIoU:
  $$L_{SNK} = K \cdot L_{CIoU} + (1-K) \cdot L^2_{CIoU}$$
• Comportamiento: Cuando el IoU es bajo (poca superposición), $K$ es alto, favoreciendo el término lineal para una corrección fuerte. Cuando el IoU es alto (buena superposición), $K$ es bajo, favoreciendo el término cuadrático para un refinamiento de grano fino. Esto añade costo computacional cero durante la inferencia.

Contribuciones Clave

1. Caracterización Espectral: Un análisis de conjuntos de datos cruzados que establece que la detección en la superficie del agua es un problema de reconocimiento de objetivos débiles caracterizado por una baja SNR y fondos dominados por la frecuencia media.
2. Módulo BSSR: Un diseño de enrutamiento de características reutilizable que realiza descomposición de frecuencia, enrutamiento de bordes direccionales y puerta adaptativa específicamente dentro de la rama de alta resolución para objetos pequeños.
3. Pérdida SNK-IoU: Una pérdida de regresión adaptativa a la muestra que equilibra la corrección gruesa y el refinamiento fino utilizando una analogía de ganancia acotada, mejorando la localización sin alterar el grafo de inferencia.
4. Evaluación Exhaustiva: Experimentos extensos en el benchmark FloW y pruebas de transferencia de conjuntos de datos en PoTATO, evaluando precisión, AP de objetos pequeños, tamaño del modelo, latencia y rendimiento (throughput).

Resultados Experimentales

El método propuesto fue evaluado en el conjunto de datos FloW (detección de desechos flotantes) y probado para su transferibilidad en PoTATO.

• Precisión: En FloW, el método propuesto alcanzó un 47.35% mAP50:95, una mejora de 5.91 puntos porcentuales sobre la línea base de YOLO11n (41.44%).
• Rendimiento de Objetos Pequeños: El método mejoró el AP(S) (objetos pequeños) en 3.30 puntos (de 30.50% a 33.80%) bajo las métricas estándar de COCO.
• Eficiencia:
  • Parámetros: Aumentó solo en 0.121 M (total 2.71 M).
  • Latencia: En una NVIDIA RTX 5090, el modelo se ejecuta a 93.1 FPS (10.7 ms/cuadro).
  • Despliegue: Al exportarse a ONNX y ejecutarse en una RTX 4080 Super, la latencia de extremo a extremo es de 6.40 ms (156.2 FPS).
• Generalización: El módulo BSSR mejoró el rendimiento en cuatro familias diferentes de detectores ligeros (YOLOv8n, YOLO11n, YOLO12n, YOLO26n) con ganancias que oscilan entre 2.23 y 5.91 mAP50:95. La transferencia entre conjuntos de datos (FloW $\to$ PoTATO y viceversa) mostró mejoras consistentes (~4.5–4.7 puntos), lo que sugiere que el método captura propiedades generales de la superficie del agua en lugar de patrones específicos de un conjunto de datos.
• Convergencia: El modelo convergió más rápido (época 81) en comparación con otras variantes de pérdida (por ejemplo, Inner-IoU en la época 188).

Significado y Reivindicaciones

El artículo sostiene que el enrutamiento de características informado por la frecuencia y la supervisión adaptativa neutral a la inferencia son estrategias efectivas para mejorar la detección de objetivos débiles en fondos dinámicos de baja SNR.

• Principio de Diseño: El trabajo demuestra que el diseño del detector debe estar ligado a las estadísticas medidas de la escena (específicamente el decaimiento de frecuencia y la energía direccional) en lugar de depender únicamente de mecanismos de atención genéricos o escalado global.
• Viabilidad en Tiempo Real: El enfoque equilibra con éxito la precisión y la latencia, lo que lo hace adecuado para la percepción de USV en tiempo real donde los recursos computacionales están restringidos.
• Modestia y Limitaciones: Los autores declaran explícitamente que, si bien el modelo supera los requisitos de tiempo real en GPUs de escritorio, el despliegue embebido (por ejemplo, en NVIDIA Jetson Orin) y la optimización de TensorRT siguen siendo trabajos futuros. También reconocen limitaciones con respecto a:
  • Objetivos más pequeños que ~6×6 píxeles (por debajo del límite de paso/stride 4 de la resolución P2).
  • Falsos positivos provocados por fuertes reflejos especulares que imitan los bordes de los objetivos.
  • La falta de un conjunto de prueba independiente en el benchmark FloW (aunque se mitigó mediante pruebas de transferencia entre conjuntos de datos).
  • La incapacidad de la imaginería de luz visible para manejar la noche, la niebla o la lluvia intensa sin sensores adicionales.

Los autores posicionan este trabajo como una herramienta de asistencia a la decisión para los USV, enfatizando que el despliegue en campo requiere verificaciones de consistencia temporal y supervisión humana, en lugar de reclamar una certificación de seguridad autónoma.