DroneScan-YOLO: Redundancy-Aware Lightweight Detection for Tiny Objects in UAV Imagery

Resumo Técnico: DroneScan-YOLO

1. Problema e Contexto

A detecção de objetos em imagens de Veículos Aéreos Não Tripulados (UAVs/drones) enfrenta desafios únicos que os detectores padrão (como o YOLOv8) não conseguem resolver de forma integrada:

• Prevalência de Objetos Minúsculos: Em datasets como o VisDrone2019-DET, 68% dos objetos anotados ocupam menos de 32×32 pixels. O stride (passo) mínimo de detecção do YOLOv8 é de 8 pixels, o que faz com que objetos menores gerem ativações de 1×1 ou 2×2, insuficientes para capturar contexto espacial e classificação.
• Instabilidade da Função de Perda: Funções baseadas em IoU (como CIoU) produzem gradientes nulos quando as caixas previstas e reais não se sobrepõem. Para objetos muito pequenos, um deslocamento de 1 pixel pode reduzir o IoU de 0.25 para 0, eliminando o sinal de aprendizado para os exemplos mais difíceis.
• Restrições Computacionais: Sistemas embarcados em drones possuem limitações rigorosas de energia, memória e dissipação térmica. Soluções existentes que melhoram a precisão (adicionando cabeças de detecção ou backbones mais profundos) aumentam excessivamente o custo computacional.

A literatura atual aborda esses problemas isoladamente (ex: apenas otimização de perda ou apenas arquitetura leve), sem um sistema unificado que combine resolução, poda de filtros e robustez de perda.

2. Metodologia e Arquitetura

O DroneScan-YOLO é uma contribuição sistêmica holística baseada no YOLOv8s, mas estendida através de quatro escolhas de design coordenadas para resolver as limitações acima:

• (I) Aumento da Resolução de Entrada (1280×1280):

  • A resolução de entrada foi aumentada de 640px para 1280px. Isso quadruplica a superfície do mapa de características, permitindo que objetos de 8×8 pixels gerem ativações de 2×2 na camada P3 e 4×4 na nova camada P2, preservando detalhes espaciais críticos.

• (II) RPA-Block (Redundancy-Aware Pruning Block):

  • Um mecanismo de poda dinâmica de filtros baseado na similaridade cosseno entre os filtros de convolução.
  • Mecanismo: Calcula a similaridade entre filtros; se a similaridade exceder um limiar ($\theta$), um filtro é "podeado" (máscara binária).
  • Estabilização: Utiliza um período de warm-up de 10 epochs (sem poda) para permitir que os filtros aprendam representações diversas antes da poda. Atualizações "preguiçosas" (lazy updates) ocorrem a cada 5 epochs para reduzir o custo de recomputação em 5x.

• (III) MSFD (Multi-Scale Feature Distillation Head):

  • Uma nova ramificação de detecção leve na escala P2 (stride 4).
  • Utiliza convoluções separáveis por profundidade e atenção Squeeze-and-Excitation para processar características de alta resolução (320×320 para entrada de 1280px).
  • Adiciona apenas 114.592 parâmetros (+1.1% ao total), focado especificamente em recuperar objetos minúsculos que seriam perdidos no stride 8.

• (IV) SAL-NWD (Hybrid Loss):

  • Uma função de perda híbrida que combina a Distância de Wasserstein Normalizada (NWD) com uma ponderação adaptativa ao tamanho baseada no CIoU.
  • NWD: Modela caixas como distribuições Gaussianas 2D, garantindo gradientes não nulos mesmo quando não há sobreposição (IoU = 0).
  • Ponderação Adaptativa (SAL): Re-pesa o CIoU inversamente proporcional à área do objeto, amplificando o gradiente para objetos pequenos.
  • Integrado no pipeline TaskAligned do YOLOv8.

3. Resultados Experimentais

O modelo foi avaliado no dataset VisDrone2019-DET (6.471 imagens de treino, 548 validação, 1.610 teste).

• Desempenho Geral:

  • mAP@50: 55.3% (vs. 38.7% do YOLOv8s baseline) → Ganho de +16.6 pontos.
  • mAP@50-95: 35.6% (vs. 23.3% do baseline) → Ganho de +12.3 pontos.
  • Recall: Aumentou de 0.374 para 0.518.
  • Velocidade: Mantém 96.7 FPS, superando o YOLOv8s (~71 FPS) apesar da resolução dobrada, graças à eficiência do RPA-Block.
  • Parâmetros: Aumento marginal de apenas +4.1% (10.23M vs 9.83M).

• Desempenho em Objetos Minúsculos:

  • Bicicletas: AP@50 saltou de 0.114 para 0.328 (+187% de melhoria relativa).
  • Triciclos com toldo (Awning-tricycle): De 0.156 para 0.237 (+52%).
  • Pedestres: A taxa de não-detecção caiu 40%.

• Análise de Ablação:

  • O SAL-NWD foi o componente que mais contribuiu para a precisão de localização (mAP@50-95).
  • O MSFD foi crucial para recuperar o recall de objetos minúsculos.
  • O RPA-Block atuou principalmente como um mecanismo de eficiência, permitindo a alta resolução sem sacrificar a velocidade de inferência.

4. Contribuições Principais

1. Sistema Integrado: É a primeira abordagem que combina simultaneamente aumento de resolução, poda dinâmica de filtros, detecção multi-escala de alta resolução e uma perda híbrida robusta para objetos pequenos.
2. Eficiência em Alta Resolução: Demonstra que é possível operar em 1280×1280 em hardware limitado (simulado via GPU laptop) mantendo alta velocidade de inferência através da poda inteligente de redundância (RPA-Block).
3. Superioridade em Cenários Reais: Supera modelos concorrentes de ponta (como DAU-YOLO) em relação à eficiência (mAP por milhão de parâmetros) e viabilidade de implantação em drones embarcados.

5. Significado e Conclusão

O DroneScan-YOLO estabelece um novo estado da arte para detecção de objetos em UAVs, resolvendo o dilema entre precisão em objetos minúsculos e restrições computacionais. A pesquisa demonstra que a otimização conjunta de arquitetura, perda e resolução é superior a ajustes isolados.

Limitações e Trabalhos Futuros:

• A poda atual é não estruturada (não remove fisicamente parâmetros do hardware), limitando ganhos de velocidade em chips embarcados específicos.
• O MSFD ainda usa hooks de forward e não é uma cabeça de detecção nativa no YAML do YOLOv8.
• Futuras versões visam integração nativa de cabeças de detecção, poda estruturada de canais e validação em outros benchmarks de UAV.

O código-fonte está disponível publicamente no GitHub, facilitando a reprodução e adoção pela comunidade de visão computacional e robótica.