Sintesi Tecnica: YOLO Leggero e a Flessibilità di Risoluzione per Dispositivi Edge (RLPF-YOLO)

1. Definizione del Problema

L'implementazione di rilevatori di oggetti leggeri su Veicoli Aerei a Pilotaggio Remoto (UAV) affronta un conflitto fondamentale: il downsampling necessario per l'efficienza computazionale porta inevitabilmente alla perdita di caratteristiche associate ai piccoli oggetti, degradando così le prestazioni di rilevamento. Sebbene i rilevatori a stadio singolo come la serie YOLO offrano velocità ed efficienza, essi faticano a bilanciare l'alta accuratezza di rilevamento con la bassa complessità del modello, in particolare in scenari che coinvolgono oggetti densi, piccoli e multi-scala comuni nell'imaging aereo. Le soluzioni esistenti spesso impongono un compromesso in cui il miglioramento dell'accuratezza aumenta significativamente i parametri e il carico computazionale, o la riduzione dei parametri compromette l'accuratezza del modello. Inoltre, le reti convoluzionali profonde soffrono spesso dell'attenuazione delle informazioni spaziali posizionali e del disallineamento delle caratteristiche tra gli strati superficiali e quelli profondi.

2. Metodologia

Per affrontare queste sfide, gli autori propongono RLPF-YOLO, un modello di rilevamento di oggetti leggero e flessibile nella risoluzione basato sull'architettura YOLOv8n. La filosofia del design si concentra sulla "compensazione delle caratteristiche", con l'obiettivo di recuperare e potenziare attivamente le informazioni perse attraverso un sistema collaborativo a ciclo chiuso di quattro moduli chiave integrati attraverso la backbone e la neck:

2.1 Miglioramenti della Backbone

• Modulo di Complementarità delle Caratteristiche a Doppio Ramo (C2F-FCM): Progettato per mitigare l'attenuazione delle informazioni spaziali, questo modulo divide le caratteristiche di input in un ramo ricco di semantica (1/4 dei canali) e un ramo di elaborazione spaziale (3/4 dei canali). Utilizza un meccanismo di cross-attention per far interagire questi rami, codificando implicitamente le informazioni spaziali di basso livello in vettori ad alta dimensione. Ciò garantisce l'integrità della rappresentazione delle caratteristiche negli strati più profondi compensando la mancanza di dettagli spaziali.
• Modulo Convoluzionale Multi-Scala Efficiente (RMKPConv): Sostituendo le convoluzioni standard nello strato P5, questo modulo utilizza convoluzioni depthwise multi-scala (3×3, 5×5, 7×7) seguite da convoluzioni pointwise. Questo approccio cattura le informazioni contestuali su varie scale con un costo computazionale minimo, affrontando il problema per cui i grandi campi recettivi nello strato P5 potrebbero sovrastare i piccoli oggetti con rumore di fondo.
• Modulo di Attenzione Residua (RCBAM): Integrando le connessioni residue con il Convolutional Block Attention Module (CBAM), questo componente enfatizza dinamicamente le caratteristiche spaziali e di canale cruciali. È progettato specificamente per rafforzare la rappresentazione semantica delle caratteristiche superficiali e migliorare l'adattabilità della rete ai piccoli oggetti e agli sfondi complessi.
• Down Convolution: Le convoluzioni standard negli strati P4 e P5 sono sostituite con Down convolutions per ottimizzare l'efficienza computazionale, alleviare il problema della scomparsa del gradiente e stabilizzare gli aggiornamenti delle caratteristiche mantenendo al contempo le caratteristiche degli oggetti piccoli.

2.2 Miglioramenti della Neck

• Modulo di Elaborazione delle Caratteristiche Cross-Stage Partial (CSP-SimAM): Nella sezione neck, gli autori sostituiscono i componenti standard con una combinazione di GSConv e CSP-SimAM. Questo modulo utilizza un'architettura cross-stage partial potenziata con SimAM (un meccanismo di attenzione privo di parametri). Facilita una fusione multi-scala efficiente, rimuove la ridondanza computazionale e riduce la complessità senza sacrificare l'accuratezza.

3. Contributi Chiave

Il documento delinea quattro contributi primari:

1. Recupero delle Informazioni Spaziali: L'introduzione del modulo C2F-FCM affronta la degradazione delle informazioni spaziali posizionali nelle reti profonde, migliorando l'accuratezza del modello garantendo una semantica spaziale coerente.
2. Potenziamento Semantico dei Piccoli Oggetti: Il modulo RCBAM, combinato con le connessioni residue, rafforza la rappresentazione semantica delle caratteristiche superficiali, fornendo caratteristiche di basso livello di alta qualità per gli stadi successivi della rete.
3. Downsampling Ottimizzato: L'implementazione di RMKPConv nello strato P5 e l'uso di Down convolutions negli strati P4/P5 migliorano significativamente il tasso di ritenzione delle caratteristiche per i piccoli oggetti a pixel scarsi, ottimizzando al contempo l'efficienza computazionale.
4. Fusione della Neck Leggera: L'integrazione di GSConv e CSP-SimAM nella neck raggiunge un equilibrio tra l'accuratezza del rilevamento e la riduzione del numero di parametri/complessità computazionale, rendendo il modello adatto ad ambienti edge con risorse limitate.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti sul dataset VisDrone2019, caratterizzato da piccoli oggetti densi, occlusioni e scale variabili.

• Prestazioni a una Risoluzione di 640 pixel: Rispetto al baseline YOLOv8n, RLPF-YOLO ha ridotto il numero di parametri del 70,4% (da 3,01M a 0,89M) e i GFLOPS del 2,5%. Contemporaneamente, ha aumentato l'mAP@50 dal 32,2% al 34,2% e l'mAP@(50-95) dal 18,6% al 20,1%.
• Prestazioni a una Risoluzione di 1280 pixel: Il modello ha dimostrato un'eccellente robustezza di scala, raggiungendo un mAP@50 del 46,0% e un mAP@(50-95) del 28,4%, superando il baseline in precisione anche ad alte risoluzioni.
• Analisi Comparativa: Rispetto ad altri modelli leggeri allo stato dell'arte (ad es. YOLOv7-tiny, YOLO-FBRT, YOLOv11n), RLPF-YOLO ha ottenuto le metriche di accuratezza più elevate (0,342 mAP@50) con il minor numero di parametri (0,89M) tra i modelli ad alte prestazioni confrontati. Ad esempio, rispetto a YOLOv7-tiny, ha ridotto i parametri dell'85,2% migliorando al contempo l'accuratezza.
• Studi di Ablazione: Esperimenti di ablazione passo dopo passo hanno confermato che ogni modulo proposto (C2F-FCM, Down Conv, RMKPConv, RCBAM, CSP-SimAM) ha contribuito positivamente alle prestazioni finali, con l'effetto cumulativo che supera significativamente la somma dei singoli miglioramenti.

5. Significato e Rivendicazioni

Gli autori affermano che RLPF-YOLO fornisce una soluzione architettonica efficace per unificare gli obiettivi tipicamente opposti di design leggero e rilevamento ad alta accuratezza di piccoli oggetti. Utilizzando una strategia di "compensazione delle caratteristiche", il modello riesce a recuperare le informazioni perse causate dal downsampling, consentendo un rilevamento robusto in tempo reale su dispositivi edge con risorse computazionali limitate. Il lavoro dimostra che è possibile ottenere una significativa riduzione delle dimensioni del modello e del carico computazionale pur migliorando contemporaneamente l'accuratezza del rilevamento di piccoli e densi oggetti in scenari UAV complessi. Il codice è reso disponibile per supportare ulteriori ricerche e implementazioni in ambienti con risorse limitate.