💻 computer science

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

यह शोध पत्र एक हल्के, वास्तविक समय के डिटेक्टर का प्रस्ताव करता है जो अनमैन्ड सरफेस व्हीकल्स (USVs) के लिए है, जो कम कंट्रास्ट और छोटे आकार की वस्तुओं जैसी चुनौतियों को संबोधित करने के लिए फ्रीक्वेंसी-गाइडेड फीचर रूटिंग और स्केल-नॉर्मलाइज्ड एडेप्टिव लोकलाइजेशन सुपरविजन को एकीकृत करके कमजोर जल-सतह लक्ष्य पहचान को बढ़ाता है, जबकि सख्त विलंबता (लेटेंसी) और मॉडल-आकार संबंधी बाधाओं को बनाए रखता है।

मूल लेखक: Ling Qin, AnChuan Wang, Qing Huang, Qun Zou

प्रकाशित 2026-07-15

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ling Qin, AnChuan Wang, Qing Huang, Qun Zou

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक नन्ही, खुद चलने वाली नाव (जिसे अनमैन्ड सरफेस व्हीकल या USV कहा जाता है) की आँखें हैं, जो एक झील पर तेज़ी से दौड़ रही है। इसका काम तैरता हुआ कचरा, बचाव बुॉय (rescue buoys), या अन्य छोटी वस्तुओं को पहचानना है। लेकिन पेच यह है: पानी कैमरों के लिए एक बुरा सपना है। लहरें लहराती हैं, सूरज की चमक आँखों को चौंधिया देती है, और वस्तुएं इतनी छोटी हो सकती हैं कि वे केवल कुछ पिक्सल चौड़ी हों—जैसे चमकते हुए कंफ़ेटी (confetti) की बाल्टी में रेत का एक दाना ढूँढना।

अधिकांश कंप्यूटर विज़न सिस्टम इसे केवल "दिमाग" को बड़ा करके या हर चीज़ को बहुत ध्यान से देखकर हल करने की कोशिश करते हैं। लेकिन यह शोध पत्र सुझाव देता है कि यह एक टूटे हुए रेडियो को पूरे स्टेशन की आवाज़ बढ़ाकर ठीक करने जैसा है। इसके बजाय, लेखक, लिंग किन (Ling Qin) और उनकी टीम, एक स्मार्ट तरीका प्रस्तावित करते हैं: रेडियो को उस विशिष्ट आवृत्ति (frequency) पर ट्यून करें जहाँ सिग्नल छिपा हुआ है।

बड़ी खोज: पानी की एक "लय" होती है

टीम ने डिजिटल जासूसी से शुरुआत की। उन्होंने हज़ारों पानी की तस्वीरों को ली और उनकी तुलना सामान्य दृश्यों (जैसे सड़कों या पार्कों) की तस्वीरों से की। उन्होंने यह देखने के लिए एक विशेष गणितीय परीक्षण चलाया जिसे "स्पेक्ट्रल विश्लेषण" (spectral analysis) कहा जाता है कि उन छवियों में किस तरह की "ऊर्जा" थी।

उन्होंने कुछ दिलचस्प पाया: पानी के दृश्यों की एक अनूठी लय होती है। नियमित तस्वीरों के विपरीत, जहाँ विवरण जल्दी गायब हो जाते हैं, पानी की तस्वीरें बहुत अधिक मिड-फ्रीक्वेंसी ऊर्जा (mid-frequency energy) को थामे रखती हैं। इसे ऐसे सोचें: यदि एक सामान्य फोटो एक सुरीले जैज़ गाने की तरह है, तो एक पानी की फोटो एक निरंतर, ऊबड़-खाबड़ ताल वाला गाना है (लहरों के कारण) जो शांत धुन (छोटे लक्ष्य) को दबा देता है।

यह शोध पत्र स्पष्ट रूप से इस विचार के विरुद्ध तर्क देता है कि हमें लहरों और प्रतिबिंबों (reflections) को केवल "शोर" मानकर अनदेखा कर देना चाहिए। इसके बजाय, लेखकों ने पाया कि इन लहरों की एक विशिष्ट संरचना होती है। वे इस विचार के भी खिलाफ हैं कि हमें इस समस्या को हल करने के लिए पूरे कंप्यूटर मॉडल को बहुत बड़ा और भारी बनाने की आवश्यकता है। उनका समाधान हल्का (lightweight) है, जो सुझाव देता है कि लक्षित ट्यूनिंग (targeted tuning), ब्रूट फोर्स (brute force) की तुलना में बेहतर काम करती है।

समाधान: "फ्रीक्वेंसी डिटेक्टिव" मॉड्यूल

इस पहचान की समस्या को ठीक करने के लिए, उन्होंने BSSR मॉड्यूल (बैंड-सिलेक्टिव एंड स्पैटियली रूटेड) नामक एक विशेष उपकरण बनाया। कल्पना कीजिए कि यह मॉड्यूल एक सुपर-स्मार्ट फ़िल्टर है जो केवल उस "हाई-रिज़ॉल्यूशन" वाले हिस्से पर काम करता है जहाँ छोटे ऑब्जेक्ट्स मौजूद होते हैं।

यह कैसे काम करता है, इसके लिए एक मज़ेदार उपमा का उपयोग करते हैं:

फ्रीक्वेंसी स्प्लिटिंग (Frequency Splitting): यह छवि को लेता है और इसे तीन परतों में विभाजित करता है: लो-फ्रीक्वेंसी (बड़ी, चिकनी लहरें), मिड-फ्रीक्वेंसी (वह ऊबड़-खाबड़ बनावट जहाँ लक्ष्य छिपे होते हैं), और हाई-फ्रीक्वेंसी (तेज़ किनारे)।
डायरेक्शनल रूटिंग (Directional Routing): यह जानता है कि पानी की लहरें अक्सर सीधी रेखाओं (क्षैतिज या ऊर्ध्वाधर) में चलती हैं। इसलिए, यह चार दिशाओं में किनारे पकड़ने के लिए विशेष "सोबेल" (Sobel) फिल्टर (सोचिए छोटे कंघों की तरह) का उपयोग करता है: ऊपर, नीचे, बाएँ और दाएँ। यह इसे एक छोटी नाव को पहचानने में मदद करता है, भले ही उसके ठीक बगल में लहरें टूट रही हों।
एडेप्टिव गेटिंग (Adaptive Gating): यह सबसे स्मार्ट हिस्सा है। मॉड्यूल में एक "गेटकीपर" होता है जो यह तय करता है कि प्रत्येक परत में से कितना हिस्सा रखना है। यदि पानी बहुत शोर वाला (noisy) है, तो यह गेट को कस देता है। यदि कोई लक्ष्य आशाजनक दिखता है, तो यह गेट को चौड़ा खोल देता है। यह सब वह नाव के कंप्यूटर को धीमा किए बिना करता है।

शोध पत्र यह सिद्ध करता है कि एक मानक डिटेक्टर (YOLO11n) में इस मॉड्यूल को जोड़ने से छोटे लक्ष्यों की पहचान करने की सटीकता में उल्लेखनीय वृद्धि हुई, बिना मॉडल को बहुत बड़ा बनाए। मॉडल का आकार केवल 0.121 M पैरामीटर बढ़ा, जो AI की दुनिया में बहुत कम है।

बॉक्स बनाने के लिए "स्मार्ट कोच"

किसी वस्तु को पहचानना एक बात है; उसके चारों ओर एक सटीक बॉक्स बनाना दूसरी बात है। आमतौर पर, कंप्यूटर इन बॉक्सों को सीखने के लिए एक मानक नियम (जिसे CIoU लॉस कहा जाता है) का उपयोग करता है। लेकिन लेखकों ने महसूस किया कि यह नियम बहुत कठोर है। यह एक ऐसे कोच की तरह है जो उतनी ही ज़ोर से सुधार के लिए चिल्लाता है चाहे आप पूरी तरह से भटक गए हों या बस थोड़े से लक्ष्य से दूर हों।

उन्होंने SNK-IoU नामक एक नया नियम पेश किया। कल्पना कीजिए कि एक कोच जो "कलमन गेन" (Kalman gain - एक स्मार्ट एडजस्टमेंट नॉब के लिए तकनीकी शब्द) का उपयोग करता है:

यदि कंप्यूटर बहुत दूर है (कम ओवरलैप), तो कोच नॉब को ऊपर घुमाता है और एक मजबूत सुधार (strong correction) देता है।
यदि कंप्यूटर लगभग सही है (उच्च ओवरलैप), तो कोच नॉब को नीचे घुमाता है और एक बारीक सुधार (fine-tune adjustment) देता है।

महत्वपूर्ण बात यह है कि यह "कोच" केवल तभी काम करता है जब कंप्यूटर सीख रहा (training) होता है। एक बार जब नाव पानी में निकल जाती है, तो कोच गायब हो जाता है, इसलिए यह वास्तविक समय की पहचान (real-time detection) को बिल्कुल धीमा नहीं करता है। शोध पत्र दिखाता है कि इस पद्धति ने मॉडल को तेज़ी से सीखने और अधिक लक्ष्यों को पहचानने में मदद की, जिससे सटीकता स्कोर (mAP50:95) 41.44% से बढ़कर 47.35% हो गया।

वे कितने आश्वस्त हैं?

लेखक अपने आंकड़ों को लेकर काफी आश्वस्त हैं, लेकिन वे अपनी सीमाओं के बारे में भी बहुत ईमानदार हैं।

उन्होंने क्या सिद्ध किया: अपने टेस्ट डेटासेट्स (FloW और PoTATO) पर, उनके तरीके ने लगातार मानक मॉडलों को पछाड़ दिया। उन्होंने शक्तिशाली डेस्कटॉप कंप्यूटरों (NVIDIA RTX 5090 और 4080 Super) पर गति को मापा और पाया कि यह बड़े कंप्यूटर पर 93.1 FPS (फ्रेम प्रति सेकंड) पर चलता है और एक मानक फॉर्मेट (ONNX) में निर्यात करने पर 156.2 FPS पर चलता है। यह सुझाव देता है कि यह डेस्कटॉप के लिए वास्तविक समय के उपयोग के लिए पर्याप्त तेज़ है।
वे क्या दावा नहीं करते: वे स्पष्ट रूप से कहते हैं कि उन्होंने अभी तक इसे उन छोटे, एम्बेडेड कंप्यूटरों (जैसे Jetson Orin) पर टेस्ट नहीं किया है जो वास्तव में एक असली नाव पर होंगे। वे चेतावनी देते हैं कि उन छोटे चिप्स पर वास्तविक दुनिया की गति अलग हो सकती है।
वे क्या खारिज करते हैं: वे स्वीकार करते हैं कि उनका सिस्टम जादू नहीं है। यदि कोई लक्ष्य 8×8 पिक्सल से छोटा है, या यदि पानी काला है, धुंधला है, या उसमें ऐसी चकाचौंध है जो बिल्कुल एक लक्ष्य जैसी दिखती है, तो सिस्टम अभी भी विफल हो सकता है। वे यह भी नोट करते हैं कि उनके द्वारा उपयोग किए गए FloW डेटासेट में कोई अलग "फाइनल एग्जाम" टेस्ट सेट नहीं है, इसलिए उन्हें यह साबित करने के लिए कि यह सामान्य रूप से काम करता है, एक अलग डेटासेट (PoTATO) के साथ क्रॉस-टेस्टिंग पर निर्भर रहना पड़ा।

निष्कर्ष

यह शोध पत्र सुझाव देता है कि पानी पर छोटे, कमजोर वस्तुओं को खोजने के लिए, हमें केवल अपने AI को बड़ा नहीं बनाना चाहिए। इसके बजाय, हमें पानी की "आवृत्ति" (frequency) को सुनना चाहिए और एक ऐसा डिटेक्टर बनाना चाहिए जिसे पता हो कि कहाँ देखना है। एक फ्रीक्वेंसी-गाइडेड फ़िल्टर (BSSR) को एक स्मार्ट, एडेप्टिव कोच (SNK-IoU) के साथ जोड़कर, उन्होंने एक ऐसा सिस्टम बनाया है जो तेज़ है, छोटा है, और समुद्र के "भूसे के ढेर में सुई" को खोजने में बेहतर है।

हालाँकि यह अभी भी हर मौसम की स्थिति या हर छोटे कंप्यूटर चिप के लिए पूरी तरह से हल नहीं हुआ है, लेकिन परिणाम बताते हैं कि पानी की विशिष्ट "लय" को समझना, खुद चलने वाली नावों को उनके सामने तैरती चीजों को देखने में मदद करने का एक शक्तिशाली नया तरीका है।

यहाँ "Frequency-Guided Real-Time Detection of Weak Water-Surface Targets for Unmanned Surface Vehicles" शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

समस्या विवरण (Problem Statement)

अनमैन्ड सरफेस व्हीकल्स (USVs) के लिए वास्तविक समय की दृश्य धारणा (visual perception) एक गंभीर चुनौती का सामना कर रही है: कम सिग्नल-टू-नॉइज़ रेशियो (SNR) की स्थितियों में कमजोर, छोटे जल-सतह लक्ष्यों (जैसे, तैरता हुआ मलबा, बचाव वस्तुएं) का पता लगाना। ये लक्ष्य अक्सर केवल कुछ पिक्सेल (जैसे, 12×12 से 32×32 पिक्सेल) ही घेरते हैं और लहरों, स्पेक्युलर रिफ्लेक्शन (specular reflections) और गैर-समान प्रकाश व्यवस्था द्वारा ढके होते हैं। मौजूदा डिटेक्टर इस "कमजोर-सिग्नल व्याख्या" (weak-signal interpretation) की समस्या के कारण संघर्ष करते हैं क्योंकि:

फ्रीक्वेंसी मिसमैच (Frequency Mismatch): कई डिटेक्टर लहरों के हस्तक्षेप और रिफ्लेक्शन को बिना उनके विशिष्ट फ्रीक्वेंसी स्ट्रक्चर का विश्लेषण किए, सामान्य विजुअल क्लटर (clutter) के रूप में देखते हैं।
ग्लोबल बनाम लोकल (Global vs. Local): फ्रीक्वेंसी-जागरूक मॉडल अक्सर फीचर्स को ग्लोबली (globally) बढ़ाते हैं, जबकि कमजोर तैरते लक्ष्यों के लिए विशेष रूप से हाई-रेज़ोल्यूशन छोटे-लक्ष्य शाखाओं (small-target branches) में चयनात्मक संवर्धन (selective enhancement) की आवश्यकता होती है।
स्टैटिक सुपरविजन (Static Supervision): मानक बाउंडिंग-बॉक्स रिग्रेशन लॉस (जैसे, CIoU) व्यक्तिगत नमूनों की विशिष्ट भविष्यवाणी गुणवत्ता या ज्यामितीय विचलन के आधार पर अपनी सुधार शक्ति (correction strength) को अनुकूलित नहीं करते हैं।

कार्यप्रणाली (Methodology)

लेखकों ने YOLO11n आर्किटेक्चर पर आधारित एक लाइटवेट डिटेक्टर प्रस्तावित किया है, जिसमें दो प्राथमिक नवाचार पेश किए गए हैं: एक फ्रीक्वेंसी-गाइडेड फीचर मॉड्यूल और एक एडेप्टिव रिग्रेशन लॉस।

1. जल-सतह दृश्यों का स्पेक्ट्रल विश्लेषण (Spectral Analysis of Water-Surface Scenes)

मॉडल डिजाइन करने से पहले, लेखकों ने जेनेरिक दृश्यों (COCO) के विरुद्ध जल-सतह डेटासेट्स (FloW, FML-v1, FML-v2) की तुलना करते हुए एक क्रॉस-डेटासेट स्पेक्ट्रल विश्लेषण किया।

निष्कर्ष: जेनेरिक दृश्यों ( $\beta \approx 2.7$ ) की तुलना में जल-सतह की छवियों में काफी कम स्पेक्ट्रल डिके एक्सपोनेंट ( $\beta \approx 2.3\text{--}2.5$ ) दिखाई देते हैं, जो धीमी स्पेक्ट्रल डिके और मिड- एवं हाई-फ्रीक्वेंसी बैंड्स में उच्च ऊर्जा प्रतिधारण (energy retention) का संकेत देते हैं।
SNR: जेनेरिक वस्तुओं (12–18 dB) की तुलना में छोटे जल लक्ष्यों के लिए स्थानीय SNR अत्यंत कम (3–8 dB) है।
दिशात्मकता (Directionality): जेनेरिक दृश्यों में आइसोट्रोपिक वितरण के विपरीत, लहरों की बनावट के कारण जल की सतहों पर क्षैतिज (horizontal) और ऊर्ध्वाधर (vertical) अक्षों के साथ मजबूत दिशात्मक ऊर्जा संकेंद्रण दिखाई देता है।

2. बैंड-सेलेक्टिव एंड स्पेशियली रूटेड (BSSR) मॉड्यूल

स्पेक्ट्रल निष्कर्षों को संबोधित करने के लिए, लेखकों ने BSSR मॉड्यूल को विशेष रूप से डिटेक्टर की P2 हाई-रेज़ोल्यूशन ब्रांच (स्ट्राइड 4) में डाला है। यह सुनिश्चित करता है कि संवर्धन वहीं हो जहाँ छोटे लक्ष्य स्थानिक रूप से दृश्यमान हों, बिना पूरे नेटवर्क पर बोझ डाले। मॉड्यूल में शामिल हैं:

फ्रीक्वेंसी ब्रांच (Frequency Branch): यह फीचर्स को लो (Low), मिड (Mid), और हाई (High) फ्रीक्वेंसी बैंड्स में विभाजित करता है। मानक दृष्टिकोणों के विपरीत जो मिड-फ्रीक्वेंसी को शोर के रूप में दबा देते हैं, BSSR मिड-फ्रीक्वेंसी बैंड को रूट और उभारने (emphasize) के लिए सीखता है, जिसमें जल दृश्यों में पर्याप्त लक्ष्य संकेत (target cues) होते हैं।
डायरेक्शनल ब्रांच (Directional Branch): लहरों के हस्तक्षेप के कारण होने वाले खंडित एज रिस्पॉन्स (edge responses) को पकड़ने के लिए चार-दिशात्मक सोबेल कर्नेल (क्षैतिज, ऊर्ध्वाधर, विकर्ण) लागू करता है।
लोकल कॉन्टेक्स्ट ब्रांच (Local Context Branch): स्थानीय स्थानिक सहायता (local spatial support) को बनाए रखने के लिए 5×5 डेप्थवाइज कन्वेल्शन का उपयोग करता है।
एडेप्टिव गेटिंग (Adaptive Gating): एक लाइटवेट राउटर सिग्मॉइड-एक्टिवेटेड गेट्स ( $\alpha_1, \alpha_2, \alpha_3$ ) उत्पन्न करता है ताकि संवर्धित फीचर्स को मूल इनपुट के साथ फ्यूज किया जा सके। आउटपुट फॉर्मूला है:
$F_{out} = F + \alpha_1 F_{base} + \alpha_2 F - \alpha_3 |F - F_{base}|$
यह संरचना संवर्धित संकेतों को इंजेक्ट करती है, मूल सिग्नल को सुरक्षित रखती है, और अनुकूल रूप से अवशिष्ट विसंगतियों (residual discrepancies) को दबाती है (एक डीनोइजिंग गेट के रूप में कार्य करती है)।

3. स्केल-नॉर्मलाइज्ड कलमन IoU (SNK-IoU) लॉस

लेखक एक प्रशिक्षण-मात्र (training-only) लॉस फंक्शन पेश करते हैं जो कलमन फ़िल्टर गेन मैकेनिज्म से प्रेरित होकर भविष्यवाणी की गुणवत्ता के आधार पर बाउंडिंग-बॉक्स रिग्रेशन सुपरविजन को अनुकूलित करता है।

तंत्र (Mechanism): यह IoU त्रुटि ( $P = 1 - \text{IoU}$ ) को "भविष्यवाणी अनिश्चितता" (prediction uncertainty) और एस्पेक्ट-रेशियो विचलन ( $R$ ) को "अवलोकन शोर" (observation noise) के रूप में मानता है।
एडेप्टिव गेन (Adaptive Gain): लीनियर और स्क्वेर्ड CIoU टर्म्स को मिलाने के लिए एक बाउंडेड कलमन गेन ( $K \in [0.2, 0.8]$ ) की गणना की जाती है:
$L_{SNK} = K \cdot L_{CIoU} + (1-K) \cdot L^2_{CIoU}$
व्यवहार: जब IoU कम होता है (खराब ओवरलैप), तो $K$ अधिक होता है, जो मजबूत सुधार के लिए लीनियर टर्म को प्राथमिकता देता है। जब IoU अधिक होता है (अच्छा ओवरलैप), तो $K$ कम होता है, जो सूक्ष्म परिशोधन (fine-grained refinement) के लिए स्क्वेर्ड टर्म को प्राथमिकता देता है। यह इन्फरेंस के दौरान शून्य कम्प्यूटेशनल लागत जोड़ता है।

मुख्य योगदान (Key Contributions)

स्पेक्ट्रल कैरेक्टराइजेशन (Spectral Characterization): एक क्रॉस-डेटासेट विश्लेषण जिसने यह स्थापित किया कि जल-सतह डिटेक्शन एक कमजोर-लक्ष्य पहचान समस्या है, जो लो-SNR और मिड-फ्रीक्वेंसी-डोमिनेंट बैकग्राउंड द्वारा चिह्नित है।
BSSR मॉड्यूल: एक पुन: प्रयोज्य फीचर-रूटिंग डिज़ाइन जो विशेष रूप से हाई-रेज़ोल्यूशन छोटे-लक्ष्य शाखा के भीतर फ्रीक्वेंसी डिकंपोजिशन, डायरेक्शनल एज रूटिंग और एडेप्टिव गेटिंग करता है।
SNK-IoU लॉस: एक सैंपल-एडेप्टिव रिग्रेशन लॉस जो बाउंडेड गेन एनालॉजी का उपयोग करके मोटे सुधार (coarse correction) और सूक्ष्म परिशोधन (fine refinement) को संतुलित करता है, जिससे इन्फरेंस ग्राफ को बदले बिना लोकलाइजेशन में सुधार होता है।
व्यापक मूल्यांकन (Comprehensive Evaluation): FloW बेंचमार्क पर व्यापक प्रयोग और PoTATO पर क्रॉस-डेटासेट ट्रांसफर टेस्ट, जो सटीकता, छोटे-ऑब्जेक्ट AP, मॉडल साइज, लेटेंसी और थ्रूपुट का मूल्यांकन करते हैं।

प्रायोगिक परिणाम (Experimental Results)

प्रस्तावित विधि का मूल्यांकन FloW डेटासेट (तैरते कचरे का पता लगाना) पर किया गया और PoTATO पर इसकी हस्तांतरणीयता (transferability) का परीक्षण किया गया।

सटीकता (Accuracy): FloW पर, प्रस्तावित विधि ने 47.35% mAP50:95 प्राप्त किया, जो YOLO11n बेसलाइन (41.44%) की तुलना में 5.91 प्रतिशत अंक का सुधार है।
स्मॉल ऑब्जेक्ट परफॉरमेंस: विधि ने COCO-मानक मेट्रिक्स के तहत AP(S) (छोटे ऑब्जेक्ट्स) में 3.30 अंक (30.50% से 33.80% तक) का सुधार किया।
दक्षता (Efficiency):
- पैरामीटर्स: केवल 0.121 M बढ़ा (कुल 2.71 M)।
- लेटेंसी: NVIDIA RTX 5090 पर, मॉडल 93.1 FPS (10.7 ms/frame) पर चलता है।
- डिप्लॉयमेंट: जब इसे ONNX में एक्सपोर्ट किया जाता है और RTX 4080 Super पर चलाया जाता है, तो एंड-टू-एंड लेटेंसी 6.40 ms (156.2 FPS) है।
सामान्यीकरण (Generalization): BSSR मॉड्यूल ने चार अलग-अलग लाइटवेट डिटेक्टर परिवारों (YOLOv8n, YOLO11n, YOLO12n, YOLO26n) में प्रदर्शन में सुधार किया, जिसमें लाभ 2.23 से 5.91 mAP50:95 तक रहा। क्रॉस-डेटासेट ट्रांसफर (FloW $\to$ PoTATO और इसके विपरीत) ने निरंतर सुधार (~4.5–4.7 अंक) दिखाया, जो बताता है कि विधि डेटासेट-विशिष्ट पैटर्न के बजाय सामान्य जल-सतह गुणों को कैप्चर करती है।
अभिसरण (Convergence): मॉडल अन्य लॉस वेरिएंट्स (जैसे, Inner-IoU जो एपोक 188 पर था) की तुलना में तेजी से अभिसरित हुआ (एपोक 81)।

महत्व और दावे (Significance and Claims)

यह शोध दावा करता है कि फ्रीक्वेंसी-इन्फोर्मड फीचर रूटिंग और इन्फरेंस-न्यूट्रल एडेप्टive सुपरविजन लो-SNR डायनेमिक बैकग्राउंड में कमजोर-लक्ष्य डिटेक्शन में सुधार के लिए प्रभावी रणनीतियाँ हैं।

डिज़ाइन सिद्धांत: यह कार्य प्रदर्शित करता है कि डिटेक्टर डिज़ाइन केवल जेनेरिक अटेंशन मैकेनिज्म या ग्लोबल स्केलिंग पर निर्भर रहने के बजाय, मापे गए सीन स्टैटिस्टिक्स (विशेष रूप से फ्रीक्वेंसी डिके और डायरेक्शनल एनर्जी) से जुड़ा होना चाहिए।
रियल-टाइम व्यवहार्यता: दृष्टिकोण सटीकता और लेटेंसी के बीच सफलतापूर्वक संतुलन बनाता है, जिससे यह उन USVs के लिए उपयुक्त हो जाता है जहाँ कंप्यूटेशनल संसाधन सीमित होते हैं।
विनम्रता और सीमाएँ: लेखक स्पष्ट रूप से कहते हैं कि जबकि मॉडल डेस्कटॉप GPU पर रियल-टाइम आवश्यकताओं से आगे निकल जाता है, एम्बेडेड डिप्लॉयमेंट (जैसे, NVIDIA Jetson Orin) और TensorRT ऑप्टिमाइज़ेशन भविष्य का कार्य है। वे निम्नलिखित सीमाओं को भी स्वीकार करते हैं:
- ~6×6 पिक्सेल से छोटे लक्ष्य (P2 स्ट्राइड-4 रेज़ोल्यूशन सीमा से नीचे)।
- स्पेकुलर रिफ्लेक्शन द्वारा ट्रिगर होने वाले फाल्स पॉजिटिव जो लक्ष्य के किनारों की नकल करते हैं।
- अतिरिक्त सेंसरों के बिना रात, कोहरे या भारी बारिश को संभालने के लिए विज़िबल-लाइट इमेजरी की अक्षमता।

लेखक इस कार्य को USVs के लिए एक निर्णय-सहायता उपकरण के रूप में देखते हैं, और इस बात पर जोर देते हैं कि फील्ड डिप्लॉयमेंट के लिए टेम्पोरल कंसिस्टेंसी चेक और मानव पर्यवेक्षण की आवश्यकता होती है, न कि स्वायत्त सुरक्षा प्रमाणन का दावा करते हैं।