💻 computer science

EMA-Det: Hardware-Aware Edge Verification for Two-Stage UAV Detection

Este artículo presenta EMA-Det, una red de verificación de regiones de salida temprana y consciente del hardware para la detección de UAV de dos etapas que prioriza el recall sobre el mAP para superar los cuellos de botella del sistema, logrando un rendimiento superior en dispositivos de borde y demostrando la necesidad de un entrenamiento específico de dominio para aplicaciones térmicas-IR.

Autores originales: Enes Mert AYDIN, Osman TOKLUOGLU, Enver CAVUS

Publicado 2026-08-20

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Enes Mert AYDIN, Osman TOKLUOGLU, Enver CAVUS

Artículo original bajo licencia CC BY 4.0 (https://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

En los cielos sobre nuestras ciudades y fronteras, ha surgido un nuevo tipo de desafío silencioso: drones pequeños, lentos y de bajo vuelo. Estas aeronaves no tripuladas, que a menudo no son más grandes que un pájaro, pueden escabullirse de los radares y cámaras tradicionales, planteando riesgos para aeropuertos, estadios e infraestructuras críticas. Defenderse de ellos requiere un sistema que pueda ver, decidir y actuar en una fracción de segundo. Sin embargo, las computadoras que tendrían que ejecutar estas defensas son a menudo dispositivos pequeños, alimentados por baterías, con memoria y potencia de procesamiento limitadas. No pueden simplemente escanear una transmisión de video masiva y de alta definición con el mismo software pesado utilizado en una supercomputadora; el flujo de datos es demasiado ancho y la memoria demasiado estrecha. Para resolver esto, los ingenieros suelen utilizar un enfoque de dos pasos. Primero, un escaneo de sensores rápido y simple señala algunas áreas pequeñas del cielo que podrían contener un dron. Luego, un segundo sistema, más cuidadoso, hace un acercamiento únicamente a esos diminutos parches para confirmar si hay una amenaza real. El éxito de toda la defensa depende de este segundo paso: si pierde de vista un dron, el sistema falla, independientemente de qué tan bien haya funcionado el primer paso.

Investigadores de la Universidad Yıldırım Beyazıt de Ankara han desarrollado un nuevo método llamado EMA-Det para hacer que este segundo paso sea más rápido y confiable en estos dispositivos de borde (edge devices) pequeños. En lugar de intentar construir una red única y masiva que lo haga todo, diseñaron un verificador especializado que comprende la naturaleza única de la tarea. Se dieron cuenta de que la mayoría de los parches de imagen pequeños enviados para verificación son en realidad cielo vacío. Un sistema de visión por computadora estándar perdería tiempo analizando cada parche con el mismo esfuerzo pesado, ya sea que contenga un dron o solo cielo azul. El nuevo sistema cambia esto añadiendo "salidas tempranas" (early exits). A medida que los datos de la imagen fluyen a través de la red, se realizan comprobaciones simples al principio. Si el sistema tiene una alta confianza de que un parche es solo cielo vacío, deja de procesar inmediatamente y lo descarta, ahorrando tiempo y energía valiosos. Solo los parches que parecen sospechosos tienen permitido viajar a través de las capas más profundas y complejas de la red. Este diseño convierte el hecho de que la mayoría de los candidatos son inofensivos en una ventaja de velocidad, permitiendo que el dispositivo maneje más amenazas potenciales sin ralentizarse.

Para enseñar a este sistema qué debe buscar, los investigadores tuvieron que ser extremadamente cuidadosos con los datos que utilizaron. Reunieron miles de fotos de drones y cielos vacíos de fuentes públicas, pero notaron que muchas imágenes eran copias casi idénticas tomadas de los mismos fotogramas de un video. Para asegurar que el sistema estuviera aprendiendo realmente y no solo memorizando duplicados, crearon un proceso de limpieza estricto. Eliminaron los duplicados y dividieron las imágenes únicas restantes en grupos de entrenamiento y de prueba, asegurándose de que ninguna foto apareciera en ambos. También iniciaron el proceso de aprendizaje del sistema con un truco ingenioso: en lugar de dejar que la computadora adivinara cómo se ven las líneas y las formas desde cero, le dieron una ventaja inicial programando la primera capa para reconocer líneas y bordes básicos, de forma muy similar a como un humano esboza el contorno de un objeto antes de rellenarlo. Esta ventaja física ayudó al sistema a aprender de manera más rápida y estable.

Los resultados de este enfoque fueron sorprendentes cuando se probó contra métodos estándar. Mientras que otros sistemas populares, que están diseñados para escanear vistas completas de gran angular, lograron encontrar aproximadamente el 74 por ciento de los drones en estos pequeños parches, el nuevo sistema encontró casi el 96 por ciento. Los investigadores descubrieron que la forma estándar de medir el éxito, que observa una puntuación promedio compleja, era en realidad engañosa para este trabajo específico. Un sistema podría verse bien en esa puntuación promedio pero aun así perder demasiados drones, lo cual es un fallo fatal para un sistema de defensa. Al enfocarse en la capacidad de capturar cada objetivo, el nuevo diseño demostró ser muy superior. El equipo también probó qué tan bien funcionaría el sistema si fuera entrenado con cámaras de luz visible pero luego se le pidiera mirar imágenes de infrarrojo térmico, que muestran calor en lugar de color. Sin ningún reentrenamiento, el sistema aún reconocía los drones con alta precisión, aunque perdía más de ellos que con la luz visible. Sin embargo, cuando entrenaron el sistema desde cero utilizando imágenes térmicas, este funcionó excepcionalmente bien, demostrando que la brecha entre los dos tipos de visión se debía a la diferencia en las imágenes mismas, no a un límite del diseño del sistema.

Para demostrar que este sistema podía ejecutarse realmente en hardware real, el equipo tomó la primera parte de su red y construyó un plano digital para un tipo específico de chip utilizado en dispositivos de campo. Verificaron que este plano cabría dentro de los estrictos límites de memoria y potencia del chip, confirmando que el diseño no es solo una teoría, sino una solución práctica para el despliegue en el mundo real. El trabajo demuestra que, para protegerse contra drones pequeños y lentos, la clave no es solo construir un cerebro más inteligente, sino construir un cerebro que sepa cuándo dejar de pensar. Al permitir que el sistema descarte rápidamente el cielo vacío, ahorra su energía para los momentos que importan, asegurando que, cuando un dron esté presente, sea visto.

Resumen Técnico: EMA-Det

Planteamiento del Problema
La detección de Vehículos Aéreos No Tripulados (UAV) de tipo Bajo-Lento-Pequeño (LSS, por sus siglas en inglés) en dispositivos de borde enfrenta un cuello de botella crítico en el bucle "sentir-decidir-actuar". Mientras que los sistemas de defensa autónomos suelen emplear un flujo de trabajo de dos etapas —donde una primera etapa (por ejemplo, radar, detección de movimiento) propone Regiones de Interés (RoI) y una segunda etapa las verifica—, los enfoques actuales tienden a adaptar detectores de fotograma completo de propósito general (como YOLO) para la tarea de verificación. Los autores argumentan que esto es subóptimo por dos razones:

Restricciones de Recursos: Los dispositivos de borde, particularmente los sistemas basados en FPGA, suelen estar limitados por el ancho de banda de la memoria en lugar de la capacidad de cómputo bruta (FLOPs). Las arquitecturas ligeras estándar (por ejemplo, convoluciones de profundidad separables) pueden exacerbar la presión sobre la memoria en tejidos con restricciones de BRAM.
Desalineación de Métricas: En un cascada de dos etapas, el recall total del sistema ( $R_{total}$ ) es el producto del recall de la propuesta y el recall del verificador ( $R_{proposal} \times R_{verifier}$ ). Un verificador optimizado para la Precisión Media Promedio (mAP) puede fallar al no minimizar los falsos negativos, creando un cuello de botella a nivel de sistema. La etapa de verificación requiere específicamente un alto recall para evitar fallos del sistema, incluso si esto implica sacrificar algo de mAP.

Metodología: EMA-Det
El artículo propone EMA-Det, una red de verificación de regiones de dos etapas, consciente del hardware, diseñada específicamente para la segunda etapa de la detección de UAV. Los componentes arquitectónicos y metodológicos clave incluyen:

Primera Capa Inicializada Físicamente: Para abordar la limitada información espacial en objetivos pequeños (resolución de 128×128), la primera capa convolucional se inicializa con un banco determinista de operadores Laplacian y Sobel. Esto proporciona un sesgo inductivo para la detección de bordes, reduciendo la varianza del entrenamiento en comparación con la inicialización aleatoria.
Puertas de Salida Temprana Dinámicas: Aprovechando la distribución asimétrica de las regiones candidatas (donde la mayoría es fondo), la red incorpora dos puntos de salida temprana con puertas de confianza (después del Bloque 2 y el Bloque 4). Si un candidato es clasificado con confianza como fondo, la inferencia se detiene, omitiendo las capas subsecuentes. Esto convierte la latencia lineal en una asintótica, reduciendo significativamente el tiempo de inferencia promedio.
Cabezal de Caja Delimitadora Espacial Desacoplado: A diferencia de las arquitecturas estándar que agrupan características antes de la regresión, EMA-Det desacopla el cabezal de clasificación (agrupación promedio global) del cabezal de refinamiento de la caja delimitadora. El cabezal de la caja lee directamente el mapa de características previo al agrupamiento para preservar la disposición espacial, mejorando la localización sin un aumento significativo en los parámetros.
Función de Pérdida: La red utiliza una pérdida combinada de Entropía Cruzada Binaria para la clasificación, IoU Completo (CIoU) para la regresión de la caja, y términos adicionales de Entropía Cruzada Binaria para las puertas de salida temprana.
Diseño Consciente del Hardware: La arquitectura evita las convoluciones de profundidad separables en favor de convoluciones estándar para mitigar la presión del ancho de banda de memoria en las FPGA.

Configuración Experimental
El estudio emplea un protocolo de evaluación riguroso y controlado:

Construcción del Conjunto de Datos: Se creó un conjunto de datos deduplicado con división a nivel de fuente a partir de imágenes públicas de UAV y de cielo/aves. Una comparación de hash promedio 8×8 eliminó duplicados cercanos, asegurando un límite estricto entre entrenamiento y prueba sin solapamiento a nivel de fuente. El corpus final contiene 4,136 parches únicos.
Protocolo de Entrenamiento: Todos los modelos fueron entrenados durante 150 épocas usando AdamW, recocido de coseno (cosine annealing) y N=5 semillas aleatorias para asegurar la robustez estadística. La aumentación de datos excluyó Mosaic/MixUp para preservar las formas de los objetivos pequeños.
Líneas Base: Las comparaciones se realizaron contra YOLOv8n, MobileNetV3-Small y ShuffleNetV2, todos entrenados desde cero con cabezales y protocolos idénticos.
Validación de Hardware: Se realizó un análisis de recursos estático y una implementación sintetizada de la primera etapa de la red en una FPGA Zynq-7020 utilizando Vitis HLS 2025.2.

Resultados Clave

Recall vs. mAP: EMA-Det logró un recall de 96.08 ± 0.47%, superando significativamente a la línea base de detección completa YOLOv8n (73.75 ± 1.86%) bajo condiciones idénticas. Aunque YOLOv8n logró un mAP más alto (49.59% frente a 28.04%), los autores demuestran que el menor recall de YOLOv8n actuaría como un cuello de botella para el rendimiento general del sistema.
Estudios de Ablación:
- CBAM: La inclusión de módulos de atención CBAM no mejoró el mAP, pero redujo la estabilidad del recall y el recall promedio. Los autores concluyen que los beneficios de CBAM en otros contextos pueden sustituir la información espacial perdida por el agrupamiento, lo cual es mitigado por el cabezal de caja desacoplado de EMA-Det.
- Cabezal de Caja Espacial: Desacoplar el cabezal de la caja mejoró el mAP@0.75 en 5.7 puntos y la estabilidad del recall (reduciendo la desviación estándar de 2.54 a 0.47) con un costo de FLOPs insignificante.
Eficiencia de Salida Temprana: Al ajustar el umbral de salida ( $\tau$ ), el sistema puede ahorrar hasta un 21.2% de los FLOPs manteniendo el mAP, con una parte significativa de los candidatos de fondo saliendo prematuramente.
Generalización entre Sensores: Cuando un EMA-Det entrenado con EO (espectro visible) se aplicó mediante transferencia cero a datos térmicos-IR (benchmark Anti-UAV410), la precisión se mantuvo alta (~95%), pero el recall cayó a 80–86% y el mAP a ~39–52%. Sin embargo, entrenar EMA-Det desde cero con datos térmicos logró un 89.52% de mAP@0.5 y un 91.64% de recall, confirmando que la brecha de rendimiento se debe al cambio de dominio y no a limitaciones arquitectónicas.
Viabilidad de Hardware: La síntesis del Bloque 1 en Zynq-7020 (usando cuantización de punto fijo de 16 bits) utilizó el 65% del presupuesto de DSP y el 26% de los LUTs, logrando una latencia de ~365 µs/imagen. El desenrollado completo de los bloques más profundos se consideró inviable debido a las restricciones de DSP, lo que requiere matrices MAC de tiempo multiplexado para la red completa.

Significancia y Reivindicaciones
El artículo afirma que EMA-Det representa un cambio en la filosofía de diseño para la detección de UAV en el borde:

Reorientación de Métricas: Argumenta que para la etapa de verificación de un sistema de dos etapas, el recall es el objetivo de optimización crítico, no el mAP. Optimizar para mAP puede derivar en fallos del sistema.
Arquitectura Consciente del Hardware: Demuestra que las arquitecturas poco profundas y aptas para streaming, con convoluciones estándar, son más adecuadas para el despliegue en el borde en FPGA que las arquitecturas más profundas optimizadas para FLOPs, las cuales sufren cuellos de botella de ancho de banda de memoria.
Rigor Metodológico: Los autores enfatizan la importancia de la deduplicación a nivel de fuente y los límites estrictos de entrenamiento/prueba en la investigación de detección de UAV para prevenir la fuga de datos y la sobreestimación del rendimiento.
Cuantificación del Cambio de Dominio: El estudio proporciona una línea base cuantitativa para el cambio de dominio de EO a térmico, mostrando que, aunque la transferencia cero es imperfecta, la arquitectura es capaz de un alto rendimiento cuando se entrena con la modalidad objetivo.

Los autores concluyen que, si bien el mapeo completo en FPGA de los Bloques 2–6 es un trabajo futuro, la implementación verificada del Bloque 1 y el diseño algorítmico corroboran la viabilidad de EMA-Det para la verificación en el borde con recursos limitados.

Más como este