💻 computer science

Resource-Aware Small-UAV Perception under Annotation and Compute Constraints

Este artículo propone y evalúa una estrategia de percepción consciente de los recursos para la detección de UAV pequeños que combina el enrutamiento de modelos guiado por confianza y la repetición clasificada por dificultad para optimizar eficazmente el rendimiento bajo restricciones simultáneas de computación en tiempo de inferencia y presupuestos de anotación.

Autores originales: Xufeng Zhou, Jun Li, Hua Hu, Yan Liu, Xiaodong Wang, Kebin Chen, Chao Jiang, Quantong Lv, Xuping Jiang

Publicado 2026-09-15

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Xufeng Zhou, Jun Li, Hua Hu, Yan Liu, Xiaodong Wang, Kebin Chen, Chao Jiang, Quantong Lv, Xuping Jiang

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 espacios silenciosos entre el suelo y las nubes, un nuevo tipo de vigilancia está tomando forma. Las aeronaves no tripuladas pequeñas se están convirtiendo en herramientas comunes para todo, desde la inspección de líneas eléctricas hasta el monitoreo de la vida silvestre, pero también representan un desafío para la seguridad y la protección. Para vigilarlas, necesitamos cámaras que puedan detectar una mota diminuta y distante contra un cielo vasto y cambiante. Esta es una tarea difícil para una computadora. Un dron lejano podría ocupar solo unos pocos píxeles en una pantalla, perdiéndose fácilmente en el ruido visual de las nubes, los edificios o las ramas de los árboles. Además, las computadoras que ejecutan estas cámaras suelen ser pequeñas y funcionan con baterías, lo que significa que no pueden permitirse ejecutar software pesado y complejo en cada imagen que capturan. Al mismo la vez, enseñar a estas computadoras a reconocer drones suele requerir miles de fotos etiquetadas, un recurso que a menudo es escaso cuando comienza una nueva misión de monitoreo. La pregunta central es cómo construir un sistema que vea con claridad sin necesitar demasiada potencia o demasiados ejemplos de los cuales aprender.

Los investigadores abordaron este problema tratando los límites de potencia y datos no como obstáculos a superar, sino como condiciones que deben ser gestionadas. Probaron una estrategia en un conjunto estándar de imágenes de drones, utilizando un tipo popular de software de detección que viene en diferentes tamaños, desde muy ligero y rápido hasta más pesado y detallado. Su primer descubrimiento fue directo: el tamaño de la imagen importa más que el tamaño del software. Cuando alimentaron a la computadora con imágenes a una resolución más alta, permitiéndole ver más detalles, el sistema se volvió significfectivamente mejor al encontrar los drones, incluso utilizando un programa más pequeño y rápido. La mejor configuración individual que encontraron utilizó un programa de tamaño medio ejecutándose en imágenes de alta resolución, lo que detectó casi el 91 por ciento de los drones en su conjunto de prueba. Sin embargo, ejecutar un programa pesado en cada fotograma es demasiado lento para un dispositivo pequeño que funciona con batería.

Para resolver el problema de la velocidad, el equipo introdujo un proceso de dos pasos que actúa como un filtro. Primero, un programa muy ligero y rápido escanea cada imagen. Si tiene la confianza de que no ve nada o ve algo claramente, continúa su camino. Pero si el programa rápido no está seguro, pasa esa imagen específica a un programa más grande y potente para una segunda mirada. Este enfoque, que probaron dirigiendo aproximadamente el 36 por ciento de las imágenes al programa más fuerte, mejoró la capacidad del sistema para encontrar drones sin ralentizarlo a la velocidad del programa pesado por sí solo. El sistema se volvió mucho mejor para atrapar los drones que antes había pasado por alto, elevando su tasa de éxito general, mientras seguía funcionando a una velocidad de aproximadamente 16 fotogramas por segundo. Crucialmente, los investigadores demostraron que esta mejora provino de la elección inteligente de qué imágenes reexaminar, no solo de mirar más imágenes. Cuando enviaron imágenes al programa más fuerte de forma aleatoria en lugar de usar el filtro basado en la confianza, el sistema funcionó peor.

El estudio también abordó el problema de los datos de entrenamiento limitados. En muchos escenarios del mundo real, una nueva tarea de monitoreo podría comenzar con solo la mitad de las fotos necesarias para una sesión de entrenamiento completa. Los investigadores probaron un método para aprovechar al máximo estas etiquetas escasas, enfocando el aprendizaje de la computadora en las imágenes que le resultaban más difíciles. Clasificaron las fotos de entrenamiento basándose en cuántos drones omitió la computadora, qué tan mal los localizó o qué tan pequeños eran los drones. Al repetir estos ejemplos difíciles con más frecuencia durante el entrenamiento, el sistema aprendió ligeramente mejor que si hubiera repetido todas las fotos por igual. Este beneficio fue más notable cuando el sistema intentaba encontrar los drones más diminutos, mejorando su capacidad para detectarlos por un margen pequeño pero significativo. Sin embargo, este truco funcionó mejor cuando la computadora ya tenía una base de conocimiento decente; cuando los datos de entrenamiento eran extremadamente escasos, el sistema estaba demasiado confundido para saber qué ejemplos eran verdaderamente difíciles.

Los investigadores también comprobaron qué tan bien se mantenía su sistema frente al mal tiempo y las distorsiones de imagen, como el desenfoque o el ruido. El sistema se mantuvo notablemente estable, reteniendo más del 96 por ciento de su precisión incluso cuando las imágenes estaban corrompidas. Incluso probaron si un modelo de inteligencia artificial grande y avanzado podía ayudar mirando la imagen completa para encontrar drones, pero descubrieron que estos modelos eran poco fiables para esta tarea específica sin la ayuda inicial del detector basado en la cámara. La imagen final que emerge es una de equilibrio. El enfoque más efectivo para detectar drones pequeños con hardware limitado no es utilizar el modelo más grande posible, sino utilizar una combinación inteligente de una primera pasada rápida y una segunda mirada cuidadosa, apoyada por imágenes de alta resolución y un proceso de entrenamiento que se enfoca en los ejemplos más difíciles. Esta estrategia consciente de los recursos permite que una computadora pequeña vea lo que necesita ver, demostrando que la gestión cuidadosa de los recursos limitados puede ser tan poderosa como la potencia de cómputo bruta.

Resumen Técnico: Percepción de Pequeños UAV Consciente de los Recursos bajo Restricciones de Anotación y Cómputo

Planteamiento del Problema
La detección de vehículos aéreos no tripulados (UAV) pequeños enfrenta una doble restricción de recursos: potencia de cómputo limitada durante la inferencia (a menudo en dispositivos de borde o CPUs) y disponibilidad limitada de datos anotados (arranques en frío de dominios específicos). Si bien los benchmarks de detección de objetos y las familias de modelos existentes (por ejemplo, YOLO) ofrecen arquitecturas robustas, no abordan inherentemente los compromisos específicos requeridos para los diminutos UAV, que ocupan pocos píxeles y son susceptibles al ruido de fondo. Además, las evaluaciones estándar suelen ignorar la interacción entre el cómputo en tiempo de inferencia y la eficiencia del aprendizaje a partir de anotaciones dispersas. Este estudio aborda cómo asignar estos recursos limitados —cómputo y anotación— de manera más deliberada para mejorar el rendimiento de la detección sin depender de un preentrenamiento adicional del dominio UAV o de datos externos.

Metodología
El estudio emplea un marco de evaluación controlado utilizando el subconjunto de detección de luz visible del benchmark DUT-Anti-UAV. La metodología se divide en tres componentes principales:

Establecimiento de la Línea Base: Los autores establecieron primero las líneas base comparando escalas de detectores (YOLOv8n, s, m; YOLOv9; YOLO11) y resoluciones de entrada (320 a 640) bajo un protocolo de "arranque en frío de dominio específico". Este protocolo inicializa los modelos con pesos preentrenados genéricos y los ajusta únicamente en la división de DUT-Anti-UAV, sin preentrenamiento adicional específico de UAV.
Inferencia Adaptativa Guiada por Confianza: Para abordar las restricciones de cómputo, el estudio implementa una cascada de dos etapas. Un detector ligero (YOLOv8n) procesa todas las imágenes. Las imágenes con puntuaciones de confianza bajas ( $q_j < \eta$ ) se derivan a un verificador más grande (YOLOv8m). Este "enrutamiento guiado por confianza" se compara rigurosamente contra un control de "enrutamiento aleatorio", donde la misma fracción de imágenes se deriva al modelo más grande sin utilizar las puntuaciones de confianza, para aislar el beneficio de la selección de muestras del beneficio del aumento del volumen de cómputo.
Replay de Ejemplos Difíciles Clasificados por Dificultad: Para abordar las restricciones de anotación, el estudio evalúa estrategias de entrenamiento bajo presupuestos de etiquetas reducidos (10%, 25%, 50%). Tras un entrenamiento supervisado inicial, se aplica una estrategia de "replay clasificado por dificultad". Las imágenes se califican según objetos omitidos, error de localización, baja confianza de coincidencia, exposición a objetivos diminutos y presión de falsos positivos. Estas puntuaciones determinan la multiplicidad del replay (1x, 2x o 3x copias) durante una fase de entrenamiento adicional corta. Esto se compara contra la "continuación simple" (más entrenamiento en los mismos datos) y el "replay uniforme emparejado por cómputo" (reproduciendo datos aleatoriamente con el mismo número total de muestras).

Contribuciones Clave
El artículo realiza tres contribuciones específicas:

Cómputo Adaptativo Guiado por Confianza: Proporciona un método para derivar imágenes inciertas a modelos más pesados, validado contra un control de enrutamiento aleatorio emparejado para demostrar que las ganancias provienen de una selección inteligente de muestras en lugar de un mero aumento de cómputo.
Replay de Ejemplos Difíciles Clasificados por Dificultad: Evalúa una heurística de clasificación de dificultad para el replay de datos etiquetados, demostrando su utilidad específica para mejorar la recuperación (recall) de objetivos diminutos bajo presupuestos de etiquetas moderados (50%), mientras distingue este efecto de las ganancias generales debidas al aumento del volumen de entrenamiento.
Evaluación Integrada Consciente de los Recursos: Provee un marco que considera conjuntamente la escala del detector, la resolución de entrada, el presupuesto de anotación, el tamaño del objetivo y la incertidumbre estadística, en lugar de tratar estos como variables aisladas.

Resultados

Detector y Resolución: La resolución de entrada tuvo un impacto más significativo en el rendimiento que el cambio de familias de detectores en resoluciones bajas. A un tamaño de entrada de 640, YOLOv8s logró el mAP50 observado más alto de 0.9052.
Inferencia Adaptativa: Con una resolución de entrada de 416 y una tasa de enrutamiento del 35.68%, el enrutamiento guiado por confianza aumentó la puntuación F1 de 0.8132 (YOLOv8n solo) a 0.8446. Esto superó al enrutamiento aleatorio a la misma tasa (F1 0.8237), confirmando el valor de la selección basada en la confianza. El rendimiento (throughput) de la cascada analítica se estimó en 16.00 FPS en una CPU.
Anotación Limitada: Bajo una configuración de etiqueta del 50%, el replay clasificado por dificultad proporcionó una mejora moderada sobre el replay uniforme emparejado por cómputo, aumentando el mAP50 de 0.7575 a 0.7621 y la recuperación de objetivos diminutos de 0.5730 a 0.5861. Este beneficio no fue estable en presupuestos de etiquetas más bajos (10% o 25%), lo que sugiere que la estrategia requiere una representación inicial suficientemente estable para ser efectiva.
Robustez e Incertidumbre: El escalado del modelo (de n a s a m) proporcionó las mayores ganancias para objetivos diminutos y pequeños. Los modelos retuvieron aproximadamente el 96.5% de su mAP50 de imágenes limpias bajo corrupciones sintéticas, siendo el ruido gaussiano y la sobreexposición las condiciones más desafiantes. El análisis de bootstrap indicó que, si bien los modelos más grandes tuvieron un mejor desempeño, las diferencias a menudo se encontraban dentro de los rangos de incertidumbre estadística, apoyando una visión del detector como un compromiso práctico.

Significancia y Reivindicaciones
El artículo sostiene que las restricciones de recursos deben tratarse como una parte intrínseca del problema de percepción en lugar de limitaciones externas. Los resultados respaldan una estrategia de asignación de recursos centrada en el detector:

Resolución y Capacidad: La resolución de entrada y la capacidad del modelo deben seleccionarse conjuntamente con la distribución del tamaño del objetivo.
Asignación de Inferencia: El enrutamiento guiado por confianza asigna eficazmente el cómputo de inferencia, recuperando la recuperación (recall) en fotogramas difíciles sin el costo de ejecutar modelos pesados en cada fotograma.
Asignación de Entrenamiento: El replay clasificado por dificultad ofrece una forma dirigida de utilizar las anotaciones limitadas, mejorando específicamente la recuperación de objetivos diminutos una vez que el detector ha aprendido una representación estable.

Los autores señalan explícitamente que las cifras de rendimiento son estimaciones analíticas basadas en tiempos de CPU independientes y que la rama VLM (Modelo de Lenguaje de Visión) se utilizó solo como un diagnóstico de los límites de aplicabilidad, no como un motor de rendimiento primario. El estudio concluye que sus hallazgos están limitados por el único conjunto de datos utilizado, la naturaleza de la evaluación de imágenes grabadas y la falta de mediciones de despliegue de hardware de extremo a extremo.

Más como este