Resumen Técnico: YOLO Ligero y de Resolución Flexible para Dispositivos Periféricos (RLPF-YOLO)

1. Planteamiento del Problema

El despliegue de detectores de objetos ligeros en Vehículos Aéreos No Tripulados (UAV) enfrenta un conflicto fundamental: el submuestreo requerido para la eficiencia computacional conduce inevitablemente a la pérdida de características asociadas con objetivos pequeños, lo que degrada el rendimiento de la detección. Mientras que los detectores de una sola etapa como la serie YOLO ofrecen velocidad y eficiencia, luchan por equilibrar una alta precisión de detección con una baja complejidad del modelo, particularmente en escenarios que involucran objetos densos, pequeños y de escala múltiple comunes en la imaginería aérea. Las soluciones existentes a menudo fuerzan un compromiso donde mejorar la precisión aumenta significativamente los parámetros y la carga computacional, o reducir los parámetros compromete la precisión del modelo. Además, las redes convolucionales profundas suelen sufrir de la atenuación de la información posicional espacial y el desajuste de características entre las capas superficiales y profundas.

2. Metodología

Para abordar estos desafíos, los autores proponen RLPF-YOLO, un modelo de detección de objetos ligero y de resolución flexible basado en la arquitectura YOLOv8n. La filosofía de diseño se centra en la "compensación de características", con el objetivo de recuperar y mejorar activamente la información perdida a través de un sistema colaborativo de bucle cerrado de cuatro módulos clave integrados a través del backbone y el neck:

2.1 Mejoras en el Backbone

• Módulo de Complemento de Características de Doble Rama (C2F-FCM): Diseñado para mitigar la atenuación de la información espacial, este módulo divide las características de entrada en una rama rica en semántica (1/4 de canales) y una rama de procesamiento espacial (3/4 de canales). Emplea un mecanismo de atención cruzada para interactuar estas ramas, codificando implícitamente la información espacial de bajo nivel en vectores de alta dimensión. Esto asegura la integridad de la representación de características en las capas más profundas al compensar la falta de detalles espaciales.
• Módulo de Convolución Multiescala Eficiente (RMKPConv): Reemplazando las convoluciones estándar en la capa P5, este módulo utiliza convoluciones de profundidad multiescala (3×3, 5×5, 7×7) seguidas de convoluciones de punto (pointwise). Este enfoque captura información contextual a través de varias escalas con un costo computacional mínimo, abordando el problema donde los campos receptivos grandes en la capa P5 podrían abrumar a los objetos pequeños con ruido de fondo.
• Módulo de Atención Residual (RCBAM): Integrando conexiones residuales con el Módulo de Atención de Bloque Convolucional (CBAM), este componente enfatiza dinámicamente las características espaciales y de canal cruciales. Está diseñado específicamente para mejorar la representación semántica de las características superficiales y mejorar la adaptabilidad de la red a objetos pequeños y fondos complejos.
• Convolución de Descenso (Down Convolution): Las convoluciones estándar en las capas P4 y P5 se reemplazan con convoluciones de descenso para optimizar la eficiencia computacional, aliviar el problema del desvanecimiento del gradiente y estabilizar las actualizaciones de características manteniendo las características de objetivos pequeños.

2.2 Mejoras en el Neck

• Módulo de Procesamiento de Características Parciales de Etapa Cruzada (CSP-SimAM): En la sección del neck, los autores reemplazan componentes estándar con una combinación de GSConv y CSP-SimAM. Este módulo utiliza una arquitectura parcial de etapa cruzada mejorada con SimAM (un mecanismo de atención sin parámetros). Facilita una fusión multiescala eficiente, elimina la redundancia computacional y reduce la complejidad sin sacrificar la precisión.

3. Contribuciones Clave

El artículo describe cuatro contribuciones primarias:

1. Recuperación de Información Espacial: La introducción del módulo C2F-FCM aborda la degradación de la información posicional espacial en redes profundas, mejorando la precisión del modelo al asegurar una semántica espacial consistente.
2. Mejora Semántica de Objetos Pequeños: El módulo RCBAM, combinado con conexiones residuales, fortalece la representación semántica de las características superficiales, proporcionando características de bajo nivel de alta calidad para las etapas posteriores de la red.
3. Optimización del Submuestreo: La implementación de RMKPConv en la capa P5 y el uso de convoluciones de descenso en las capas P4/P5 mejoran significativamente la tasa de retención de características para objetivos pequeños de píxeles dispersos, optimizando simultáneamente la eficiencia computacional.
4. Fusión de Neck Ligera: La integración de GSConv y CSP-SimAM en el neck logra un equilibrio entre la precisión de detección y la reducción del recuento de parámetros/complejidad computacional, haciendo que el modelo sea adecuado para entornos periféricos con recursos limitados.

4. Resultados Experimentales

Los experimentos se realizaron en el conjunto de datos VisDrone2019, el cual se caracteriza por objetivos pequeños densos, oclusiones y escalas variables.

• Rendimiento a una resolución de 640 píxeles: Comparado con el baseline YOLOv8n, RLPF-YOLO redujo el número de parámetros en un 70.4% (de 3.01M a 0.89M) y los GFLOPS en un 2.5%. Simultáneamente, aumentó el mAP@50 de 32.2% a 34.2% y el mAP@(50-95) de 18.6% a 20.1%.
• Rendimiento a una resolución de 1280 píxeles: El modelo demostró una excelente robustez de escala, logrando un mAP@50 de 46.0% y un mAP@(50-95) de 28.4%, superando al baseline en precisión incluso a resoluciones más altas.
• Análisis Comparativo: Contra otros modelos ligeros de vanguardia (por ejemplo, YOLOv7-tiny, YOLO-FBRT, YOLOv11n), RLPF-YOLO alcanzó las métricas de precisión más altas (0.342 mAP@50) con el recuento de parámetros más bajo (0.89M) entre los modelos de alto rendimiento comparados. Por ejemplo, comparado con YOLOv7-tiny, redujo los parámetros en un 85.2% mientras mejoraba la precisión.
• Estudios de Ablación: Los experimentos de ablación paso a paso confirmaron que cada módulo propuesto (C2F-FCM, Down Conv, RMKPConv, RCBAM, CSP-SimAM) contribuyó positivamente al rendimiento final, con un efecto acumulativo que supera significativamente la suma de las mejoras individuales.

5. Significado y Reivindicaciones

Los autores afirman que RLPF-YOLO proporciona una solución arquitectónica efectiva para unificar los objetivos típicamente opuestos de diseño ligero y detección de objetos pequeños de alta precisión. Al emplear una estrategia de "compensación de características", el modelo recupera con éxito la información perdida causada por el submuestreo, permitiendo la detección en tiempo real robusta en dispositivos periféricos con recursos computacionales limitados. El trabajo demuestra que es posible lograr una reducción significativa en el tamaño del modelo y la carga computacional mientras se mejora simultáneamente la precisión de detección para objetos pequeños y densos en escenarios complejos de UAV. El código se pone a disposición para apoyar la investigación adicional y el despliegue en entornos de recursos restringidos.