A Marine Debris Detection Framework for Ocean Robots via Self-Attention Enhancement and Feature Interaction Optimization

技術概要：海洋廃棄物検出のための YOLO-MD

問題定義
海洋廃棄物の正確な検出と局所化は、特に海洋ロボットにとって、生態系保護と汚染管理において極めて重要である。しかし、水中画像はしばしばぼやけ、複雑な背景、および小規模で高密度に分布するターゲットの存在に起因する困難な性質により、検出性能が頻繁に低下する。従来の画像強調技術（例：ぼやけ除去、超解像）は、過大な計算オーバーヘッドをもたらすため、リアルタイムアプリケーションには不適切である。さらに、既存の物体検出器である YOLO は速度と精度のバランスを提供するものの、ぼやけたシーンや小物体の検出においては困難に直面する。Transformer ベースのモデルは強力なグローバルモデリングを提供するが、局所的な微細な特徴に対する感度が不足しており、かつ高い計算コストを伴うため、リソース制約のあるロボットシナリオでの展開が制限される。加えて、複雑な海洋環境におけるクラス不均衡と最適化の不安定性は、依然として重大な障壁となっている。

手法
これらの課題に対処するため、著者は特徴表現、局所的相互作用、および訓練の安定性を向上させるように設計された、強化された YOLO ベースの検出フレームワーク「YOLO-MD」を提案する。このアーキテクチャは、3 つの主要な革新を統合している：

1. デュアルブランチ畳み込み強化自己注意（DB-CASA）：
   YOLO のバックボーンにおける標準的な C2PSA モジュールに代わり、DB-CASA はグローバル注意の高いコストなしに空間 - チャネル相互作用を強化するように設計されている。入力特徴を 2 つの相補的なブランチに分解する：

   • 空間相互作用ブランチ：深度方向畳み込みと $1 \times 1$ 畳み込みを使用して空間注意マップを生成し、小規模ターゲットの境界およびテクスチャ特徴を強化する。
   • チャネル相互作用ブランチ：SENet に着想を得ており、グローバル平均プーリングと畳み込みを組み合わせ、チャネル数を削減することなくチャネル間の依存関係を捉える。
   • このモジュールは、これらのブランチの Query および Key 出力に対して加法的融合戦略を採用し、高価な類似度行列の計算を回避しながら、グローバル集約によってしばしば抑制される微細な特徴を保持する。

2. 特徴シフト融合モジュール（FSFM）：
   最小限のオーバーヘッドで局所特徴相互作用を強化するため、FSFM はパラメータ不要のシフトベース操作を導入する。入力特徴マップをチャネル次元に沿ってサブグループに分割し、これらを 4 方向（水平および垂直）にシフトさせる。このクロス次元特徴交換により、モデルは多方向の局所文脈を捉えることができる。残差接続を備えた C3k2 構造内に統合された FSFM は、学習可能なパラメータを追加することなく局所化精度を精緻化する。

3. SFG-Loss（Slide-Focaler-GIoU Loss）：
   クラス不均衡と最適化の不安定性を緩和するため、著者は複合損失関数を提案する。これは以下の要素を組み合わせる：

   • 安定した勾配のためのベース回帰損失としての一般化 IoU（GIoU）。
   • 困難なサンプルを適応的に強調し、容易なサンプルを抑制する動的重み付けメカニズム（Slide Loss に着想を得る）。
   • 訓練の不安定性を防ぐために、過度に容易または困難な外れ値を切り捨てるFocaler-IoU制約。
     この統合フレームワークは、複雑な検出シナリオにおける堅牢な収束を保証する。

主要な貢献
本論文は、その貢献を以下のように要約している：

• 低品質画像における小規模ターゲットの微細な特徴を保持するために、加法的類似性と並列空間 - チャネル相互作用を利用するDB-CASA モジュールの設計。
• グループ化された空間シフトによるクロス次元特徴交換戦略を採用し、パラメータ数を増加させることなく小物体検出精度を向上させる**特徴シフト融合モジュール（FSFM）**の開発。
• クラス不均衡と最適化の不安定性に対処するために設計された動的サンプル再重付けメカニズムであるSFG-Lossの提案。

実験結果
実験は、NVIDIA RTX 3070 GPU を使用して、5,125 枚の画像と 15 カテゴリからなるUODM データセット上で実施された。提案された YOLO-MD は、以下の性能指標を達成した：

• Precision（精度）: 0.875
• F1-score: 0.822
• mAP50: 0.849

YOLO-MD は、RT-DETR-l、Faster R-CNN、SSD、および各種 YOLO 変種（v5、v8、v10、v11、v12、v13、および YOLO26）を含む広範な最先端検出器を上回った。特に、ベースラインの YOLOv11 と比較して、YOLO-MD は mAP50 を 2.8%、Precision を 4.0% 向上させつつ、パラメータ数（2.78M）を同等に維持した。アブレーション研究により、3 つのモジュール（DB-CASA、FSFM、および SFG-Loss）の統合が、グローバル注意と局所シフトの間のトレードオフを解決し、最適な性能をもたらすことが確認された。

意義と実世界での検証
本論文は、YOLO-MD が検出精度と計算効率の間の好ましいトレードオフを提供し、リアルタイムかつリソース制約のある海洋ロボットに適していると主張している。ベンチマーク性能を超えて、この手法の実用性は実世界のエッジ展開を通じて検証された。システムは、キャンパス内の人工湖において、水中カメラと組み込まれたエッジコンピューティング装置を搭載した無人水上艇（USV）上でテストされた。低照度、高濁度、画像のぼやけといった過酷な現場条件にもかかわらず、YOLO-MD は水中の廃棄物をリアルタイムで局所化し、認識することに成功した。著者は、このフレームワークが海洋環境に特有の劣化問題を効果的に解決し、生態系保護およびロボット知覚のための堅牢な解決策を提供すると結論付けている。