Resumo Técnico: Avaliação das Soluções Vencedoras do Desafio de Visão Computacional de Baixo Consumo de 2025 (LPCVC 2025)

1. Problema e Contexto

O Desafio de Visão Computacional de Baixo Consumo de Energia (LPCVC) da IEEE, realizado em 2025, tem como objetivo promover o desenvolvimento de modelos de visão eficientes para dispositivos de borda (edge devices). O desafio central reside no equilíbrio crítico entre alta precisão e restrições rigorosas de recursos, como latência de execução, capacidade de memória e eficiência energética.

Diferente de competições tradicionais focadas apenas em precisão (como ImageNet ou COCO), o LPCVC exige que os modelos operem em hardware real de baixo consumo (especificamente chips Qualcomm Snapdragon), garantindo viabilidade para aplicações em tempo real em smartphones, robôs e sistemas embarcados.

O LPCVC 2025 foi estruturado em três trilhas distintas para refletir tendências emergentes:

1. Rastreamento 1 (Classificação de Imagens): Robustez sob condições variáveis de iluminação e estilos (indoor, outdoor, sintético).
2. Rastreamento 2 (Segmentação de Vocabulário Aberto): Segmentação semântica guiada por prompts de texto natural, exigindo que o modelo generalize para categorias não vistas durante o treinamento.
3. Rastreamento 3 (Estimativa de Profundidade Monocular): Geração de mapas de profundidade a partir de uma única imagem RGB, essencial para percepção 3D em sistemas sem sensores ativos.

2. Metodologia e Infraestrutura de Avaliação

Infraestrutura e Ferramentas

A avaliação foi centralizada no Qualcomm AI Hub, uma plataforma em nuvem que permite a compilação, implantação e perfilamento de modelos em hardware Qualcomm real (Snapdragon 8 Elite e Snapdragon X Elite).

• Fluxo de Trabalho: Os participantes compilaram seus modelos no AI Hub, obtendo um "Compile Job ID". Este ID foi submetido ao site da competição, onde um servidor de avaliação (hospedado na Purdue University) coordenou a inferência remota no hardware alvo.
• Métricas de Avaliação:
  • Fase 1 (Filtro de Latência): Modelos devem atender a limites estritos de tempo de inferência (ex: <10ms para Classificação, <1s para Segmentação, <34ms para Profundidade).
  • Fase 2 (Pontuação Final): A pontuação combina a métrica de precisão (Acurácia, mIoU, F-score) com a eficiência.
    • Exemplo (Rastreamento 1): Pontuação Final = Acuracidade / max(Tempo de Execução / 2, 1). Isso penaliza modelos lentos, mas permite arquiteturas mais complexas se a precisão compensar o custo.

Soluções de Linha de Base (Baselines)

Foram fornecidos modelos de referência para garantir um ponto de partida justo:

• Rastreamento 1: MobileNetV2 adaptado (Acurácia: 0.692, Latência: 419µs).
• Rastreamento 2: X-Decoder com backbone Focal-T e CLIP (mIoU: 0.461, Latência: 863ms).
• Rastreamento 3: Depth-Anything-V2 (F-score: 62.37, Latência: 24.1ms).

3. Contribuições Principais e Soluções Vencedoras

O artigo analisa as estratégias das equipes vencedoras, destacando inovações em otimização de modelos e arquiteturas.

Rastreamento 1: Classificação de Imagens

Vencedor: LabLVM (Ajou University) com Acurácia de 0.974.

• Desafio: O modelo base MobileCLIP era muito preciso, mas excedia o limite de latência (<2ms).
• Inovação: A equipe propôs uma estratégia de Fusão e Imitação de Camadas (Layer Merging and Imitation).
  • Fusão: Em vez de simplesmente remover camadas, eles fundiram camadas adjacentes usando uma soma ponderada que preserva a magnitude das características originais.
  • Imitação: Um treinamento leve onde a camada fundida é treinada para imitar a saída da camada original (usando perda MSE), mantendo o comportamento representacional sem precisar de fine-tuning completo.
  • Resultado: Permitiu o uso de um codificador de visão mais raso mantendo a alta precisão, atendendo à restrição de tempo.

Rastreamento 2: Segmentação de Vocabulário Aberto

Vencedor: SICer (Southeast University) com mIoU de 0.532.

• Desafio: Complexidade multimodal, alto custo computacional e necessidade de generalização para 200 categorias (apenas 80 no treino).
• Inovação:
  • Arquitetura: Substituição da atenção multi-cabeça tradicional por Atenção Linear Multi-Escala (MLA), reduzindo drasticamente o custo computacional (FLOPs).
  • Dados: Augmentação agressiva com prompts de texto gerados por IA e uso de datasets adicionais (Visual Genome).
  • Otimização: Uso de LoRA e Visual Prompt Tuning (VPT) para fine-tuning eficiente, focando em objetos pequenos e raros através de uma estratégia de perda dupla (IoU + Balanceamento).
  • Resultado: Latência de 515.8ms com alta precisão, superando o baseline em mais de 7 pontos percentuais.

Rastreamento 3: Estimativa de Profundidade

Vencedor: Sailor Moon (University of Minnesota) com F-score de 83.14.

• Desafio: Maximizar a precisão da reconstrução 3D dentro de 34ms.
• Inovação: Otimização profunda do grafo de computação do modelo Depth-Anything-V2.
  • Fusão de Operações Constantes: Identificação e fusão algébrica de operações lineares (subtração, multiplicação, convolução) na normalização de entrada em uma única camada de convolução.
  • Otimização de Tokens: Fusão de operações de tokens de embedding de classe que dependiam apenas de inicializadores constantes.
  • Ajuste de Resolução: Encontraram o ponto ótimo de resolução de entrada (434×322) que maximizava o F-score dentro do limite de tempo.
  • Resultado: Melhoria significativa no F-score (de 62.37 para 83.14) com latência de 30.4ms.

4. Resultados Quantitativos

As soluções vencedoras demonstraram saltos significativos em relação às linhas de base, mantendo-se dentro das restrições de hardware:

Rastreamento	Métrica	Baseline	Vencedor	Melhoria	Latência (Vencedor)
1 (Classificação)	Acurácia	0.692	0.974 (LabLVM)	+40.7%	1.612 ms
2 (Segmentação)	mIoU	0.461	0.532 (SICer)	+15.4%	515.8 ms
3 (Profundidade)	F-score	62.37	83.14 (Sailor Moon)	+33.3%	30.4 ms

5. Significância e Recomendações Futuras

Significância

O LPCVC 2025 validou que é possível alcançar desempenho de ponta em dispositivos de borda através de otimizações inteligentes, não apenas através de hardware mais potente. As soluções vencedoras demonstraram que:

1. Otimização de Grafo e Fusão de Camadas são técnicas essenciais para reduzir latência sem sacrificar precisão.
2. Generalização Multimodal é viável em dispositivos móveis com arquiteturas eficientes (como MLA).
3. Recursos de Início (Starter Kits) e plataformas unificadas (AI Hub) são cruciais para acelerar a inovação e garantir reprodutibilidade.

Sugestões para Competições Futuras

Os autores propõem melhorias para futuros desafios:

• Diversidade de Baselines: Oferecer modelos de base de diferentes famílias (não apenas os mais rápidos) para encorajar arquiteturas inovadoras.
• Métricas Holísticas: Incluir medições de consumo de energia e uso de memória (pico e tamanho do modelo) além da latência.
• Multi-Hardware: Avaliar soluções em múltiplos dispositivos de borda para evitar otimização excessiva para uma única plataforma.
• Incentivo à Criatividade: Criar subcategorias para designs de redes originais que podem não ser os mais rápidos, mas representam avanços arquitetônicos significativos.

Em conclusão, o artigo destaca a maturidade da comunidade de visão computacional eficiente, mostrando que a combinação de técnicas avançadas de otimização de modelos e infraestrutura de avaliação robusta permite a implantação de IA complexa em dispositivos com recursos limitados.