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

Problematica

La percezione visiva in tempo reale per i Veicoli Superficiali Non Manovrati (USV) affronta una sfida critica: il rilevamento di bersagli deboli e piccoli sulla superficie dell'acqua (ad es., detriti galleggianti, oggetti di salvataggio) in condizioni di basso Rapporto Segnale-Rumore (SNR). Questi bersagli occupano spesso solo pochi pixel (ad es., da 12×12 a 32×32 pixel) e sono oscurati da onde, riflessi speculari e illuminazione non uniforme. Gli algoritmi di rilevamento esistenti faticano con questo problema di "interpretazione del segnale debole" perché:

1. Disallineamento di Frequenza: Molti rilevatori trattano le interferenze delle onde e i riflessi come disturbo visivo generico senza analizzarne la specifica struttura di frequenza.
2. Globale vs Locale: I modelli sensibili alla frequenza spesso potenziano le caratteristiche in modo globale, mentre i bersagli galleggianti deboli richiedono un potenziamento selettivo specificamente nei rami ad alta risoluzione per piccoli bersagli.
3. Supervisione Statica: Le perdite di regressione standard dei bounding box (ad es., CIoU) non adattano la forza di correzione in base alla qualità specifica della predizione o alla deviazione geometrica dei singoli campioni.

Metodologia

Gli autori propongono un rilevatore leggero basato sull'architettura YOLO11n, introducendo due innovazioni primarie: un modulo di caratteristiche guidato dalla frequenza e una perdita di regressione adattiva.

1. Analisi Spettrale delle Scene Superficiali Acquatiche

Prima di progettare il modello, gli autori hanno condotto un'analisi spettrale cross-dataset confrontando i dataset di superficie acquatica (FloW, FML-v1, FML-v2) con scene generiche (COCO).

• Risultati: Le immagini della superficie dell'acqua mostrano esponenti di decadimento spettrale significativamente inferiori ($\beta \approx 2.3\text{--}2.5$) rispetto alle scene generiche ($\beta \approx 2.7$), indicando un decadimento spettrale più lento e una maggiore ritenzione di energia nelle bande a media e alta frequenza.
• SNR: Il SNR locale per i piccoli bersagli acquatici è estremamente basso (3–8 dB) rispetto agli oggetti generici (12–18 dB).
• Direzionalità: Le superfici acquatiche mostrano una forte concentrazione di energia direzionale lungo gli assi orizzontali e verticali a causa delle texture delle onde, diversamente dalla distribuzione isotropa nelle scene generiche.

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

Per affrontare le evidenze spettrali, gli autori hanno inserito il modulo BSSR esclusivamente nel ramo ad alta risoluzione P2 (stride 4) del rilevatore. Ciò assicura che il potenziamento avvenga dove i piccoli bersagli sono spazialmente visibili, senza sovraccaricare l'intera rete. Il modulo è composto da:

• Ramo di Frequenza: Decompone le caratteristiche in bande a bassa, media e alta frequenza. A differenza degli approcci standard che sopprimono le medie frequenze come rumore, il BSSR impara a instradare ed enfatizzare la banda a media frequenza, che contiene indizi sostanziali del bersaglio nelle scene acquatiche.
• Ramo Direzionale: Applica kernel di Sobel quadridirezionali (orizzontale, verticale, diagonale) per catturare le risposte di bordo frammentate causate dall'interferenza delle onde.
• Ramo del Contesto Locale: Utilizza una convoluzione depthwise 5×5 per preservare il supporto spaziale locale.
• Gating Adattivo: Un router leggero genera gate attivati da sigmoid ($\alpha_1, \alpha_2, \alpha_3$) per fondere le caratteristiche potenziate con l'input originale. La formula di output è:
  $$F_{out} = F + \alpha_1 F_{base} + \alpha_2 F - \alpha_3 |F - F_{base}|$$
  Questa struttura inietta indizi potenziati, preserva il segnale originale e sopprime adattivamente le discrepanze residue (agendo come un gate di denoising).

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

Gli autori introducono una funzione di perdita utilizzata solo durante l'addestramento che adatta la supervisione della regressione del bounding box in base alla qualità della predizione, ispirandosi al meccanismo di guadagno del filtro di Kalman.

• Meccanismo: Tratta l'errore di IoU ($P = 1 - \text{IoU}$) come "incertezza della predizione" e la deviazione del rapporto d'aspetto ($R$) come "rumore di osservazione".
• Guadagno Adattivo: Un guadagno di Kalman limitato ($K \in [0.2, 0.8]$) viene calcolato per miscelare i termini CIoU lineari e quadratici:
  $$L_{SNK} = K \cdot L_{CIoU} + (1-K) \cdot L^2_{CIoU}$$
• Comportamento: Quando l'IoU è basso (scarsa sovrapposizione), $K$ è alto, favorendo il termine lineare per una correzione forte. Quando l'IoU è alto (buona sovrapposizione), $K$ è basso, favorendo il termine quadratico per un raffinamento più fine. Ciò aggiunge zero costo computazionale durante l'inferenza.

Contributi Chiave

1. Caratterizzazione Spettrale: Un'analisi cross-dataset che stabilisce che il rilevamento su superficie acquatica è un problema di riconoscimento di bersagli deboli caratterizzato da basso SNR e background dominati dalle medie frequenze.
2. Modulo BSSR: Un design di instradamento delle caratteristiche riutilizzabile che esegue la decomposizione in frequenza, l'instradamento dei bordi direzionali e il gating adattivo specificamente all'interno del ramo ad alta risoluzione per piccoli bersagli.
3. Perdita SNK-IoU: Una perdita di regressione adattiva al campione che bilancia la correzione grossolana e il raffinamento fine utilizzando un'analogia di guadagno limitato, migliorando la localizzazione senza alterare il grafo di inferenza.
4. Valutazione Esaustiva: Esperimenti estesi sul benchmark FloW e test di trasferimento cross-dataset su PoTATO, valutando accuratezza, AP per oggetti piccoli, dimensione del modello, latenza e throughput.

Risultati Sperimentali

Il metodo proposto è stato valutato sul dataset FloW (rilevamento di rifiuti galleggianti) ed è stato testato per la trasferibilità su PoTATO.

• Accuratezza: Su FloW, il metodo proposto ha raggiunto il 47,35% di mAP50:95, un miglioramento di 5,91 punti percentuali rispetto alla baseline YOLO11n (41,44%).
• Prestazioni su Oggetti Piccoli: Il metodo ha migliorato l'AP(S) (oggetti piccoli) di 3,30 punti (dal 30,50% al 33,80%) secondo gli standard COCO.
• Efficienza:
  • Parametri: Incremento di soli 0,121 M (totale 2,71 M).
  • Latenza: Su una NVIDIA RTX 5090, il modello gira a 93,1 FPS (10,7 ms/frame).
  • Deployment: Quando esportato in ONNX ed eseguito su una RTX 4080 Super, la latenza end-to-end è di 6,40 ms (156,2 FPS).
• Generalizzazione: Il modulo BSSR ha migliorato le prestazioni in quattro diverse famiglie di rilevatori leggeri (YOLOv8n, YOLO11n, YOLO12n, YOLO26n) con guadagni compresi tra 2,23 e 5,91 mAP50:95. Il trasferimento cross-dataset (FloW $\to$ PoTATO e viceversa) ha mostrato miglioramenti costanti (~4,5–4,7 punti), suggerendo che il metodo cattura proprietà generali della superficie acquatica piuttosto che pattern specifici del dataset.
• Convergenza: Il modello è convergente più velocemente (epoca 81) rispetto ad altre varianti di perdita (ad es., Inner-IoU all'epoca 188).

Significatività e Rivendicazioni

Il documento sostiene che il routing delle caratteristiche informato dalla frequenza e la supervisione adattiva neutra rispetto all'inferenza sono strategie efficaci per migliorare il rilevamento di bersagli deboli in background dinamici a basso SNR.

• Principio di Progettazione: Il lavoro dimostra che la progettazione del rilevatore deve essere legata alle statistiche misurate della scena (specificamente il decadimento della frequenza e l'energia direzionale) piuttosto che fare affidamento esclusivamente su meccanismi di attenzione generici o scalabilità globale.
• Vitalità in Tempo Reale: L'approccio bilancia con successo accuratezza e latenza, rendendolo adatto alla percezione in tempo reale per gli USV dove le risorse computazionali sono limitate.
• Modestia e Limitazioni: Gli autori dichiarano esplicitamente che, sebbene il modello superi i requisiti in tempo reale su GPU desktop, il deployment su sistemi embedded (ad es., NVIDIA Jetson Orin) e l'ottimizzazione TensorRT rimangono lavori futuri. Riconoscono inoltre i limiti riguardanti:
  • Bersagli più piccoli di ~6×6 pixel (al di sotto del limite di risoluzione dello stride 4 di P2).
  • Falsi positivi innescati da forti riflessi speculari che imitano i bordi del bersaglio.
  • La mancanza di un test set indipendente nel benchmark FloW (sebbene mitigata dai test cross-dataset).
  • L'incapacità delle immagini a luce visibile di gestire notte, nebbia o pioggia intensa senza sensori aggiuntivi.

Gli autori posizionano questo lavoro come uno strumento di assistenza decisionale per gli USV, sottolineando che il deployment sul campo richiede controlli di consistenza temporale e supervisione umana, piuttosto che rivendicare una certificazione di sicurezza autonoma.