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

Énoncé du problème

La perception visuelle en temps réel pour les véhicules de surface sans équipage (USV) fait face à un défi critique : la détection de cibles de faible intensité et de petite taille à la surface de l'eau (ex. : débris flottants, objets de sauvetage) dans des conditions de faible rapport signal sur bruit (SNR). Ces cibles n'occupent souvent que quelques pixels (ex. : 12×12 à 32×32 pixels) et sont masquées par les vagues, les réflexions spéculaires et une illumination non uniforme. Les détecteurs existants peinent face à ce problème d'« interprétation de signaux faibles » car :

1. Inadéquation fréquentielle : De nombreux détecteurs traitent les interférences de vagues et les réflexions comme du bruit visuel générique sans analyser leur structure fréquentielle spécifique.
2. Global vs Local : Les modèles sensibles à la fréquence améliorent souvent les caractéristiques de manière globale, alors que les cibles flottantes faibles nécessitent une amélioration sélective spécifiquement dans les branches à haute résolution pour les petites cibles.
3. Supervision statique : Les pertes de régression de boîte englobante standard (ex. : CIoU) n'adaptent pas leur force de correction en fonction de la qualité de prédiction spécifique ou de la déviation géométrique des échantillons individuels.

Méthodologie

Les auteurs proposent un détecteur léger basé sur l'architecture YOLO11n, introduisant deux innovations principales : un module de caractéristiques guidé par la fréquence et une perte de régression adaptative.

1. Analyse spectrale des scènes de surface de l'eau

Avant de concevoir le modèle, les auteurs ont réalisé une analyse spectrale multi-jeux de données comparant les jeux de données de surface de l'eau (FloW, FML-v1, FML-v2) à des scènes génériques (COCO).

• Résultats : Les images de surface de l'eau présentent des exposants de décroissance spectrale nettement plus faibles ($\beta \approx 2,3\text{--}2,5$) par rapport aux scènes génériques ($\beta \approx 2,7$), indiquant une décroissance spectrale plus lente et une plus grande rétention d'énergie dans les bandes de fréquences moyennes et hautes.
• SNR : Le SNR local pour les petites cibles aquatiques est extrêmement bas (3–8 dB) comparé aux objets génériques (12–18 dB).
• Directionnalité : Les surfaces de l'eau présentent une forte concentration d'énergie directionnelle le long des axes horizontaux et verticaux en raison des textures de vagues, contrairement à la distribution isotrope des scènes génériques.

2. Module Band-Selective and Spatially Routed (BSSR)

Pour répondre aux observations spectrales, les auteurs ont inséré le module BSSR exclusivement dans la branche P2 à haute résolution (stride 4) du détecteur. Cela garantit que l'amélioration se produit là où les petites cibles sont spatialement visibles, sans surcharger l'ensemble du réseau. Le module se compose de :

• Branche Fréquentielle : Décompose les caractéristiques en bandes de basses, moyennes et hautes fréquences. Contrairement aux approches standard qui suppriment les moyennes fréquences considérées comme du bruit, le BSSR apprend à router et à accentuer la bande de moyenne fréquence, qui contient des indices de cible substantiels dans les scènes aquatiques.
• Branche Directionnelle : Applique quatre noyaux de Sobel directionnels (horizontaux, verticaux, diagonaux) pour capturer les réponses de bord fragmentées causées par les interférences des vagues.
• Branche de Contexte Local : Utilise une convolution de profondeur (depthwise) 5×5 pour préserver le support spatial local.
• Gating Adaptatif : Un routeur léger génère des portes activées par sigmoïde ($\alpha_1, \alpha_2, \alpha_3$) pour fusionner les caractéristiques améliorées avec l'entrée originale. La formule de sortie est :
  $$F_{out} = F + \alpha_1 F_{base} + \alpha_2 F - \alpha_3 |F - F_{base}|$$
  Cette structure injecte des indices améliorés, préserve le signal original et supprime de manière adaptative les écarts résiduels (agissant comme une porte de débruitage).

3. Perte Scale-Normalized Kalman IoU (SNK-IoU)

Les auteurs introduisent une fonction de perte utilisée uniquement lors de l'entraînement, qui adapte la supervision de la régression de la boîte englobante en fonction de la qualité de la prédiction, inspirée du mécanisme de gain du filtre de Kalman.

• Mécanisme : Elle traite l'erreur d'IoU ($P = 1 - \text{IoU}$) comme une « incertitude de prédiction » et la déviation du rapport d'aspect ($R$) comme un « bruit d'observation ».
• Gain Adaptatif : Un gain de Kalman borné ($K \in [0,2, 0,8]$) est calculé pour mélanger les termes linéaires et quadratiques de la CIoU :
  $$L_{SNK} = K \cdot L_{CIoU} + (1-K) \cdot L^2_{CIoU}$$
• Comportement : Lorsque l'IoU est faible (faible chevauchement), $K$ est élevé, privilégiant le terme linéaire pour une correction forte. Lorsque l'IoU est élevé (bon chevauchement), $K$ est faible, privilégiant le terme quadratique pour un raffinement précis. Cela ajoute un coût de calcul nul lors de l'inférence.

Principales contributions

1. Caractérisation Spectrale : Une analyse multi-jeux de données établissant que la détection de surface de l'eau est un problème de reconnaissance de cibles faibles caractérisé par un faible SNR et des arrière-plans dominés par les moyennes fréquences.
2. Module BSSR : Un design de routage de caractéristiques réutilisable qui effectue la décomposition fréquentielle, le routage des bords directionnels et le gating adaptatif spécifiquement dans la branche à haute résolution pour les petites cibles.
3. Perte SNK-IoU : Une perte de régression adaptative par échantillon qui équilibre la correction grossière et le raffinement fin en utilisant une analogie de gain borné, améliorant la localisation sans modifier le graphe d'inférence.
4. Évaluation Complète : Expérimentations approfondies sur le benchmark FloW et tests de transfert inter-jeux de données sur PoTATO, évaluant la précision, l'AP des petits objets, la taille du modèle, la latence et le débit.

Résultats Expérimentaux

La méthode proposée a été évaluée sur le jeu de données FloW (détection de déchets flottants) et testée pour sa transférabilité sur PoTATO.

• Précision : Sur FloW, la méthode proposée a atteint 47,35 % de mAP50:95, soit une amélioration de 5,91 points de pourcentage par rapport à la ligne de base YOLO11n (41,44 %).
• Performance des Petits Objets : La méthode a amélioré l'AP(S) (petits objets) de 3,30 points (passant de 30,50 % à 33,80 %) selon les métriques standards de COCO.
• Efficacité :
  • Paramètres : Augmentation de seulement 0,121 M (total 2,71 M).
  • Latence : Sur une NVIDIA RTX 5090, le modèle tourne à 93,1 FPS (10,7 ms/image).
  • Déploiement : Une fois exporté en ONNX et exécuté sur une RTX 4080 Super, la latence de bout en bout est de 6,40 ms (156,2 FPS).
• Généralisation : Le module BSSR a amélioré les performances de quatre familles différentes de détecteurs légers (YOLOv8n, YOLO11n, YOLO12n, YOLO26n) avec des gains allant de 2,23 à 5,91 mAP50:95. Le transfert inter-jeux de données (FloW $\to$ PoTATO et vice versa) a montré des améliorations constantes (~4,5–4,7 points), suggérant que la méthode capture des propriétés générales de la surface de l'eau plutôt que des motifs spécifiques à un jeu de données.
• Convergence : Le modèle a convergé plus rapidement (époque 81) par rapport aux autres variantes de perte (ex. : Inner-IoU à l'époque 188).

Signification et Revendications

L'article affirme que le routage de caractéristiques informé par la fréquence et la supervision adaptative neutre pour l'inférence sont des stratégies efficaces pour améliorer la détection de cibles faibles dans des arrière-plans dynamiques à faible SNR.

• Principe de Conception : Ce travail démontre que la conception d'un détecteur doit être liée aux statistiques mesurées de la scène (spécifiquement la décroissance fréquentielle et l'énergie directionnelle) plutôt que de reposer uniquement sur des mécanismes d'attention génériques ou une mise à l'échelle globale.
• Viabilité Temps Réel : L'approche équilibre avec succès précision et latence, la rendant adaptée à la perception en temps réel des USV où les ressources de calcul sont limitées.
• Modestie et Limites : Les auteurs déclarent explicitement que si le modèle dépasse les exigences de temps réel sur les GPU de bureau, le déploiement embarqué (ex. : NVIDIA Jetson Orin) et l'optimisation TensorRT restent des travaux futurs. Ils reconnaissent également des limites concernant :
  • Les cibles plus petites que ~6×6 pixels (sous la limite de résolution de stride-4 de P2).
  • Les faux positifs déclenchés par de fortes réflexions spéculaires qui imitent les bords des cibles.
  • L'absence d'un ensemble de test distinct dans le benchmark FloW (bien que mitigé par les tests inter-jeux de données).
  • L'incapacité de l'imagerie en lumière visible à gérer la nuit, le brouillard ou la pluie forte sans capteurs supplémentaires.

Les auteurs positionnent ce travail comme un outil d'aide à la décision pour les USV, soulignant que le déploiement sur le terrain nécessite des vérifications de cohérence temporelle et une supervision humaine, plutôt que de revendiquer une certification de sécurité autonome.