💻 ciencias de la computación

DDS-YOLO: A Detail-Enhanced and Dynamic Scale-Adaptive Network for UAV Small Object Detection

Este artículo propone DDS-YOLO, una red de escala dinámica adaptativa que presenta mejora de detalles, fusión de características adaptativa y una rama de alta resolución ligera para mejorar significativamente la precisión y la eficiencia en la detección de objetos pequeños en imágenes de UAV.

Autores originales: Qiang Liu, Chen Yuanze, Niu Dexue

Publicado 2026-10-16

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Qiang Liu, Chen Yuanze, Niu Dexue

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

Desde la perspectiva de un dron, el mundo de abajo se transforma en un mosaico cambiante de diminutos detalles. Un coche se convierte en una mota, un peatón en un borrón y un edificio distante en un mero parche de color. Para las computadoras encargadas de observar estas escenas, esta perspectiva presenta un desafío único y obstinado. Los objetos que son grandes y claros para el ojo humano se encogen hasta convertirse en un puñado de píxeles para una máquina, perdiendo los bordes y las texturas que los definen. Cuando estos pequeños objetivos están agrupados o escondidos detrás de fondos complejos, los sistemas de visión estándar a menudo fallan al distinguirlos del ruido. Esta limitación dificulta la capacidad de las aeronaves no tripuladas para realizar tareas críticas como el monitoreo del tráfico, la inspección de zonas de desastre o la supervisión de infraestructuras, donde perder un pequeño detalle puede tener consecuencias significativas.

Para resolver esto, los investigadores han dependido durante mucho tiempo del aprendizaje profundo (deep learning), un método donde las computadoras aprenden a reconocer patrones estudiando miles de ejemplos. Entre las herramientas utilizadas para esto, una familia de sistemas conocidos como YOLO se ha convertido en una favorita por su velocidad y equilibrio entre precisión y eficiencia. Sin embargo, incluso estos sistemas avanzados luchan cuando los objetos que buscan son extremadamente pequeños y varían dramente en tamaño. Un nuevo estudio de Qiang Liu y sus colegas de la Universidad de Aeronáutica de Shandong aborda este vacío específico. Han desarrollado una versión refinada del sistema, llamada DDS-YOLO, diseñada específicamente para mantener visibles los detalles finos de los objetos diminutos mientras se adapta a las escalas cambiantes presentes en la fotografía aérea.

El problema central que los investigadores abordaron es que, a medida que una computadora analiza una imagen, naturalmente simplifica la imagen para comprender el panorama general. Al hacerlo, a menudo descarta la información necesaria para detectar un objeto pequeño: sus bordes nítidos y sus texturas sutiles. La solución del equipo involucra tres estrategias distintas trabajando juntas para preservar y mejorar esta información perdida. Primero, introdujeron un método para agudizar los detalles de la imagen antes de que la computadora comience su análisis principal. Este proceso actúa como un filtro que aisla los bordes de los objetos y las texturas de alta frecuencia que los definen, mientras ignora simultáneamente el ruido de fondo que distrae. Al enfocarse en estas señales específicas, el sistema asegura que el contorno tenue de una persona distante o un vehículo pequeño no se desvanezca durante las etapas iniciales del procesamiento.

A continuación, los investigadores abordaron el problema de la escala. En una sola imagen de un dron, un camión grande puede aparecer cerca y claro, mientras que una motocicleta lejos parece un pequeño punto. Los sistemas tradicionales suelen tratar estos diferentes tamaños con un enfoque rígido de "talla única", lo que puede llevar a detecciones omitidas. El nuevo sistema, sin embargo, aprende a ajustar su enfoque dinámicamente. Analiza la imagen para determinar qué partes de la escena contienen objetos pequeños y cuáles contienen objetos más grandes, y luego pondera la información en consecuencia. Esto permite que el sistema preste más atención a los detalles de alta resolución necesarios para los objetivos diminutos sin perder el contexto más amplio requerido para los más grandes. Es un enfoque flexible que cambia su estrategia basándose en lo que realmente está presente en la escena, en lugar de seguir un conjunto fijo de reglas.

Finalmente, para capturar los objetos más pequeños que de otro modo podrían pasar desapercibidos, el equipo añadió una vía dedicada para la predicción de alta resolución. Los sistemas estándar a menudo reducen la resolución de las imágenes demasiado pronto, haciendo imposible ver objetos que ocupan solo unos pocos píxeles. El nuevo diseño mantiene vivo un flujo de información de alta resolución separado durante todo el proceso, específicamente ajustado para detectar estos objetivos extremadamente pequeños. Esta adición trabaja en conjunto con un método más preciso para dibujar los recuadros alrededor de los objetos detectados, asegurando que incluso los objetivos más elusivos sean localizados con mayor exactitud.

Los resultados de este trabajo fueron probados en una gran colección de imágenes de drones del mundo real que contienen miles de escenas diversas, desde calles concurridas de la ciudad hasta campos abiertos. El nuevo sistema superó significativamente al estándar previo, mejorando su capacidad para encontrar objetos pequeños en casi diez puntos porcentuales en términos de precisión y exhaustividad (recall). En términos prácticos, esto significa que el sistema es mucho menos propenso a perder de vista a un peatón o a un vehículo en una escena concurrida. Logró estas mejoras manteniendo una velocidad de 161 fotogramas por segundo, lo cual es lo suficientemente rápido para aplicaciones en tiempo real. El modelo sigue siendo compacto, requiriendo menos potencia de cómputo que muchos de sus competidores, lo que lo hace adecuado para su despliegue en el hardware limitado que se encuentra en los drones reales.

El estudio confirma que, al combinar el realce de detalles, el ajuste de escala dinámico y una rama especializada de alta resolución, es posible superar las dificultades inherentes de la detección de objetos pequeños desde el aire. Los investigadores no dependieron de aumentos masivos en la potencia de cómputo para lograrlo; en su lugar, refinaron la forma en que el sistema procesa la información. Los hallazgos sugieren que, para que los vehículos aéreos no tripulados sean verdaderamente efectivos en entornos complejos, deben ser capaces de ver las cosas pequeñas con claridad. Este nuevo enfoque proporciona un camino claro hacia adelante, ofreciendo un sistema que es tanto rápido como notablemente sensible a los diminutos detalles que más importan desde el cielo.

Resumen Técnico: DDS-YOLO para la Detección de Objetos Pequeños en UAV

1. Planteamiento del Problema

Las imágenes de Vehículos Aéreos No Tripulados (UAV) presentan desafíos únicos para la detección de objetos, particularmente para los objetos pequeños. Estos desafíos surgen de:

Representación de Píxeles Limitada: Los objetos pequeños ocupan pocos píxeles, lo que resulta en texturas, bordes y pistas estructurales débiles que se degradan fácilmente durante la extracción de características profundas.
Variación Severa de Escala: Los cambios en la altitud de vuelo, los ángulos de visión y las distancias de los objetos causan variaciones de escala intra-clase significativas, lo que dificulta la detección consistente a través de las escalas.
Fondos Complejos y Densidad: Las distribuciones densas, la oclusión y los fondos complejos reducen el contraste entre el primer plano y el fondo, lo que provoca detecciones falsas o perdidas.
Restricciones de Recursos: Las plataformas UAV tienen capacidad de cómputo y energía limitadas en su hardware integrado, lo que requiere modelos que equilibren una alta precisión con requisitos estrictos de eficiencia.

Los métodos existentes suelen abordar estos problemas de forma aislada. Los métodos de mejora de características pueden tener dificultades cuando los detalles de la fuente son escasos, mientras que los enfoques de fusión multiescala suelen depender de rutas fijas que no pueden adaptarse a las distribaciones de objetos cambiantes. Además, muchas soluciones no logran preservar simultáneamente los detalles finos, adaptarse a las variaciones de escala y mantener velocidades de inferencia en tiempo real dentro de un marco compacto.

2. Metodología

Los autores proponen DDS-YOLO, una red construida sobre la base YOLOv11n. La arquitectura integra tres estrategias principales para abordar la pérdida de detalles, la variación de escala y las respuestas débiles para objetos extremadamente pequeños, junto con una función de pérdida optimizada.

2.1 Estrategia de Mejora de Detalles (DES)

Situada en la transición de las características superficiales a las intermedias, la DES tiene como objetivo preservar los bordes y las texturas mientras se suprimen los ruidos del fondo. Opera a través de tres ramas paralelas:

Rama de Estructura Local: Utiliza una convolución de profundidad (depthwise) de $3\times3$ para modelar bordes y texturas locales.
Rama Contextual: Emplea una convolución dilatada de $3\times3$ (tasa de dilatación 2) para ampliar el campo receptivo e incorporar el contexto circundante.
Rama de Residuos de Alta Frecuencia: Extrae residuos estructurales restando una respuesta de promedio local (average-pooled) de la entrada, capturando componentes que varían rápidamente como esquinas y bordes.

Estas ramas se ponderan de forma adaptativa mediante un mecanismo de atención por canal (Global Average Pooling seguido de un mapeo Softmax) para generar pesos dependientes de la entrada ( $\alpha_l, \alpha_c, \alpha_h$ ). Luego, se genera un mapa de selección espacial para suprimir las regiones de fondo irrelevantes antes de fusionar las características mejoradas con el flujo de características original mediante una conexión residual.

2.2 Estrategia de Adaptación Dinámica de Escala (DSAS)

Reemplazando los nodos de fusión fijos de arriba hacia abajo (top-down) y de abajo hacia arriba (bottom-up) en el cuello (neck), la DSAS alinea y fusiona dinámicamente los niveles de características adyacentes ( $F_{l-1}, F_l, F_{l+1}$ ) basándose en la distribución actual de la entrada.

Alineación: Las características se alinean a una resolución espacial y dimensión de canal comunes utilizando convoluciones de $1\times1$ , submuestreo (downsampling) y sobremuestreo (upsampling).
Ponderación Dinámica: Se extrae un descriptor global de las características alineadas y concatenadas. Una red ligera genera pesos por canal ( $\beta$ ) para cada rama de escala mediante Softmax, lo que permite al modelo enfatizar detalles de alta resolución, información del nivel actual o semántica de baja resolución según sea necesario.
Corrección Local: Se genera un mapa de respuesta espacial para corregir los desequilibrios de escala regionales, aplicado mediante una adición residual a la fusión ponderada.

2.3 Estrategia de Optimización de Objetos Pequeños (SOOS)

Para abordar la pérdida de objetos extremadamente pequeños (que pueden ocupar solo una celda en la capa P3 estándar tras el submuestreo), la SOOS introduce una rama de predicción P2 ligera (stride 4).

Arquitectura: Combina la característica P2 de alta resolución y superficial proveniente del backbone con la característica semántica P3 sobremuestreada del neck.
Fusión: Una unidad "LiteFusion" (que combina convoluciones de profundidad y de punto/pointwise) fusiona estas características para generar la característica de predicción P2.
Cabezal (Head): Un cabezal de detección desacoplado ligero con rutas separadas de clasificación y regresión utiliza convoluciones de profundidad separable para gestionar el costo computacional del procesamiento de alta resolución.

2.4 Función de Pérdida

El modelo conserva la clasificación de YOLOv11 y la Pérdida Focal de Distribución (Distribution Focal Loss), pero reemplaza la pérdida de regresión de la caja delimitadora con WIoU v3 (Wise Intersection over Union versión 3). WIoU v3 utiliza un enfoque dinámico no monotónico para reducir la influencia de las muestras de baja calidad y enfatizar las muestras con alto valor de regresión, mejorando la localización sin añadir parámetros en el tiempo de inferencia.

3. Contribuciones Clave

El artículo describe tres contribuciones principales:

DES: Un módulo que fortalece las estructuras locales, el contexto y las pistas de alta frecuencia para preservar los bordes y las texturas de los objetos pequeños mientras se suprimen adaptativamente las respuestas del fondo.
DSAS: Un mecanismo que ajusta dinámicamente las contribuciones de los niveles de características adyacentes para acomodar las cambiantes distribuciones de escala de los objetos, reemplazando las rutas de fusión fijas.
SOOS: La introducción de una rama P2 ligera para mejorar la predicción de objetos extremadamente pequeños, junto con WIoU v3 para una regresión de caja delimitadora mejorada.

4. Resultados Experimentales

Los experimentos se realizaron en el conjunto de datos VisDrone2019-DET (6,471 imágenes de entrenamiento, 548 imágenes de validación). El modelo se comparó con varias variantes ligeras de YOLO y detectores de UAV de última generación.

Métricas de Rendimiento

DDS-YOLO logró los siguientes resultados en el conjunto de validación VisDrone2019:

Precisión (Precision): 56.0% (Mejora de +9.8% sobre YOLOv11n)
Exhaustividad (Recall): 44.5% (Mejora de +9.4% sobre YOLOv11n)
mAP0.5: 46.3% (Mejora de +8.9% sobre YOLOv11n)
mAP0.95: 28.6% (Mejora de +6.7% sobre YOLOv11n)
AP de Objetos Pequeños (APS): 15.4%

Eficiencia

A pesar de los módulos añadidos, el modelo mantiene una relación favorable entre precisión y eficiencia:

Parámetros: 8.7 M
FLOPs: 23.8 G
Velocidad de Inferencia: 161 FPS (en una NVIDIA RTX 4080)

Las comparaciones con otros métodos (por ejemplo, WCDB-YOLO, EdgeYOLO-S, DFA-DETR) muestran que DDS-YOLO logra una mayor precisión con significativamente menos parámetros y menores costos computacionales, particularmente para objetos pequeños.

5. Significación y Reivindicaciones

El artículo afirma que DDS-YOLO proporciona una relación favorable entre precisión y eficiencia diseñada específicamente para la detección de objetos pequeños en tiempo real mediante UAV. La importancia del trabajo radica en su capacidad para:

Abordar simultáneamente la preservación de detalles, la adaptación de escala y la supresión de fondo dentro de un único marco compacto.
Mejorar la estabilidad de detección para objetos pequeños distantes, débiles y densamente distribuidos sin depender de la expansión de modelos a gran escala.
Mantener el rendimiento en tiempo real (161 FPS) adecuado para el despliegue en bordo de UAV, superando a detectores basados en Transformers más pesados (como RT-DETR) y otras variantes especializadas de YOLO tanto en precisión como en velocidad.

El análisis visual confirma que el modelo recupera más vehículos y peatones pequeños en escenas complejas en comparación con la línea base, validando los roles complementarios de las estrategias propuestas. Los autores aseguran que las mejoras son impulsadas por el diseño específico de los módulos DES, DSAS y SOOS, tal como confirman los estudios de ablación.