Compact Convolutional Segmentation for Visual Landmark Extraction in GNSS-Denied UAV Navigation

Resumo Técnico: Segmentação Convolucional Compacta para Extração de Marcos Visuais em Navegação de UAV em Ambientes com GNSS Negado

Definição do Problema
A localização confiável de Veículos Aéreos Não Tripulados (UAVs) é severamente comprometida quando os sinais do Sistema Global de Navegação por Satélite (GNSS) estão degradados, bloqueados ou sofrem interferência. Embora a navegação inercial e o LiDAR ofereçam alternativas, eles frequentemente sofrem com acúmulo de deriva, altos custos de hardware ou complexidade do sistema. A navegação visual usando câmeras embarcadas apresenta uma alternativa prática, especificamente através da identificação de marcos visualmente estáveis e distintos. No entanto, extrair esses marcos de imagens aéreas é desafiador devido a variações de escala, sombras, poluição visual de fundo e mudanças dependentes do ponto de vista. O problema central abordado é a falta de uma arquitetura de front-end dedicada e leve, capaz de segmentar candidatos a marcos visuais (especificamente estruturas artificiais estáveis como edifícios) a partir de imagens aéreas para suportar etapas subsequentes de correspondência ou localização em ambientes com GNSS negado.

Metodologia
O estudo propõe um framework de segmentação convolucional totalmente convolucional e compacto, projetado como um front-end visual, em vez de um sistema de navegação completo. A metodologia envolve os seguintes componentes:

• Design da Arquitetura: O modelo utiliza uma estrutura codificador-decodificador em formato de U (U-shaped). Ele integra três mecanismos principais:
  1. Contexto Espacial Baseado em Dilatação: Convoluções dilatadas são empregadas para ampliar o campo receptivo efetivo sem aumentar significativamente os parâmetros, permitindo a captura de estruturas espaciais multiescala.
  2. Transferência de Características Residuais: Conexões residuais são incorporadas para preservar informações de características iniciais e mitigar a degradação em redes mais profundas, apoiando a recuperação de detalhes espaciais após o subamostragem (downsampling).
  3. Configuração Compacta de Canais: Diferente das arquiteturas padrão que utilizam potências de dois, o modelo emprega uma configuração de canais não padrão e compacta, inspirada em números de Fibonacci e primos (5, 23, 89 e 233 canais) para manter uma pegada leve adequada para potenciais restrições embarcadas.
• Dataset e Treinamento: Devido à indisponibilidade de um dataset dedicado para UAV, os autores adaptaram o dataset de segmentação de edifícios aéreos de Mnih (regiões de Boston e Massachusetts). As imagens originais de 1500×1500 foram particionadas em sub-imagens de 500×500 e redimensionadas para 192×192 pixels. O dataset compreendeu 600 imagens de treinamento, 63 de validação e 26 de teste.
• Configuração de Treinamento: A rede foi treinada utilizando o otimizador Adam (taxa de aprendizado de 0.005) com um tamanho de lote (batch size) de 200 por 10 épocas. Normalização por lote (batch normalization) e dropout foram aplicados para regularização.

Principais Contribuições e Avaliação Experimental
A principal contribuição é a proposta e avaliação de uma arquitetura compacta específica que combina dilatação e aprendizado residual para extração de marcos. O estudo realiza uma comparação do tipo ablação de quatro variantes de modelos sob condições de treinamento idênticas:

• Modelo 0 (Simples/Plain): Uma rede convolucional de base (baseline).
• Modelo 1 (Dilatação): Adiciona convoluções dilatadas.
• Modelo 2 (Residual): Adiciona conexões residuais.
• Método Proposto: Combina ambos os mecanismos de dilatação e residual.

Resultos
Os resultados experimentais indicam que a arquitetura proposta alcança a menor perda (loss) tanto nos conjuntos de treinamento quanto de teste.

• Desempenho de Treinamento: O método proposto apresentou a maior Interseção sobre União (IoU), precisão e recall entre todas as variantes no conjunto de treinamento.
• Desempenho de Teste: No conjunto de teste, o Modelo 2 (apenas Residual) alcançou valores de IoU, precisão e recall superiores ao método proposto, embora o método proposto tenha mantido a menor perda de teste.
• Análise Qualitativa: As previsões visuais mostram que o modelo responde com sucesso a padrões estruturais semelhantes a edifícios enquanto suprime regiões que não são marcos (água, estradas). No entanto, os resultados também destacam limitações, incluindo valores de recall relativamente baixos, problemas de nitidez de bordas e detecção incompleta de regiões.

Significância e Alegações
O artigo posiciona modestamente seus achados como um estudo de viabilidade para um front-end visual, em vez de um sistema de navegação finalizado.

• Viabilidade: O estudo demonstra que a segmentação baseada em aprendizão de características pode servir como um passo inicial viável para a extração de candidatos a marcos visuais a partir de imagens aéreas.
• Insight Arquitetônico: A combinação de processamento de dilatação e residual fornece uma arquitetura compacta e estável, embora os benefícios específicos das conexões residuais pareçam mais pronunciados para a preservação de informações espaciais nesta configuração específica.
• Limitações e Trabalhos Futuros: Os autores declaram explicitamente que os resultados atuais não são um benchmark de estado da arte. O baixo recall e os problemas de generalização são atribuídos ao número limitado de épocas de treinamento, ao pequeno conjunto de teste e à falta de dados específicos para UAV. O artigo conclui que trabalhos adicionais são necessários, incluindo treinamento estendido, criação de datasets anotados específicos para UAV e integração com algoritmos de correspondência ou localização. Além disso, embora o design seja leve, os autores observam que a adequação para implantação em tempo real embarcada requer validação adicional através de medições de tempo de inferência, memória e energia em hardware embarcado.