Resumo Técnico: Aprendizado de Especialização Estrutural Dinâmica para Detecção de Objetos Salientes Subaquáticos

1. Formulação do Problema

A Detecção de Objetos Salientes Subaquáticos (USOD) é uma tarefa fundamental para a compreensão de cenas visuais subaquáticas e para a robótica guiada por visão. No entanto, os métodos existentes enfrentam desafios significativos devido a degradações severas de imagem inerentes aos ambientes subaquáticos, como absorção de luz, dispersão, distorção de cor, baixo contraste e ruído. Essas degradações enfraquecem as pistas visuais, levando a localizações de objetos imprecisas, regiões salientes fragmentadas e previsões de limites grosseiras.

O artigo identifica uma limitação específica nos métodos atuais de USOD baseados em RGB: emaranhamento entre limites e região. A maioria das abordagens existentes processa pistas estruturais sensíveis a limites (alta frequência) e coerentes com a região (baixa frequência/contextuais) dentro de uma representação unificada e homogênea. Esse processamento compartilhado faz com que essas demandas representacionais complementares, mas distintas, interfiram umas nas outras. Em cenas subaquáticas degradadas, onde as pistas de limites são fracas e a consistência regional é perturbada, esse emaranhamento resulta em regiões salientes fragmentadas e limites desfocados. Embora alguns métodos introduzam informações de profundidade (RGB-D) para compensar, isso aumenta a complexidade do sistema e depende de estimativas de profundidade não confiáveis ou geração de pseudo-profundidade.

2. Metodologia: DSS-USOD

Os autores propõem o DSS-USOD, um novo framework de USOD baseado em RGB construído sobre especialização estrutural dinâmica. A filosofia central é desconectar explicitamente as representações sensíveis a limites e coerentes com a região e coordenar dinamicamente suas contribuições com base no contexto estrutural local, em vez de depender de modalidades auxiliares como profundidade.

A arquitetura consiste em três componentes principais:

A. Aprendizado de Representação Multiescala

O modelo emprega um codificador hierárquico (baseado em PVTv2) para extrair mapas de características multiescala da imagem subaquática de entrada. Essas características são projetadas em uma dimensão de canal unificada e agregadas por meio de uma pirâmide de características de cima para baixo para formar uma representação base compartilhada ($F_b$).

B. Especialização Estrutural Dinâmica

Em vez de decodificar $F_b$ diretamente, o framework a decompõe em dois ramos complementares:

1. Ramo Sensível a Limites (BS): Projetado para capturar detalhes de limites de alta frequência. Ele processa $F_b$ através de dois caminhos paralelos: um operador Laplaciano fixo (fornecendo um viés indutivo explícito para limites) e uma transformação de alta frequência aprendível (adaptando-se a padrões específicos da tarefa). Isso aprimora as respostas estruturais ao redor dos limites dos objetos.
2. Ramo Coerente com a Região (RC): Projetado para capturar consistência estrutural de baixa frequência e coerência em nível de região. Ele utiliza uma estratégia de modelagem residual dual-escala anisotrópica de grande kernel (usando operadores de profundidade anisotrópicos fatorados com tamanhos de kernel 7 e 15) para agregar informações contextuais sobre faixas espaciais estendidas. Isso ajuda a suprimir ruído isolado e garante regiões salientes completas.

Módulo de Coordenação Espacial (SCM):
Reconhecendo que diferentes localizações espaciais exigem preferências estruturais distintas (por exemplo, limites precisam de pistas de alta frequência, enquanto interiores precisam de coerência de região), o SCM regula adaptativamente as contribuições dos ramos BS e RC.

• Ele calcula um mapa de discrepância de ramo ($D$) medindo a diferença elemento a elemento entre as características BS e RC.
• Ele integra $F_b$, a resposta de limite prevista e $D$ para gerar um mapa de peso espacial ($w$).
• A representação coordenada final ($F_d$) é calculada como uma soma ponderada: $F_d = w \otimes F_{bs} + (1-w) \otimes F_{rc}$.

C. Refinamento Progressivo de Previsão (PPR)

O modelo recupera o mapa de saliência de resolução completa de forma grosseira para fina:

1. Prevê logits de baixa resolução a partir de $F_d$.
2. Gera uma previsão de resolução completa grosseira combinando $F_d$ e os logits de baixa resolução.
3. Realiza refinamento residual explorando a aparência RGB e características espaciais rasas para corrigir imprecisões locais perto de limites e transições ambíguas.

D. Supervisão Estrutural Cooperativa

Para estabilizar o aprendizado dos ramos especializados e da coordenação espacial, uma estratégia de supervisão cooperativa é empregada durante o treinamento:

• Perda de Salência Multinível: Aplicada às previsões final, grosseira e de baixa resolução.
• Perda de Limite: Supervisiona o ramo BS usando mapas de limites de verdade fundamental.
• Perda de Coordenação: Supervisiona o SCM gerando um mapa-alvo que destaca regiões de limites/transição (onde o BS deve dominar) e interiores homogêneos (onde o RC deve dominar).

3. Contribuições Principais

1. Identificação do Emaranhamento entre Limites e Região: O artigo caracteriza a diferenciação insuficiente entre demandas sensíveis a limites e coerentes com a região em USOD baseada em RGB como um desafio chave, propondo que o desentrelaçamento explícito é necessário para um desempenho robusto.
2. Framework de Especialização Estrutural Dinâmica: Os autores propõem o DSS-USOD, que decompõe características compartilhadas em ramos BS e RC especializados e usa um Módulo de Coordenação Espacial para equilibrá-los adaptativamente com base no contexto local.
3. Supervisão Estrutural Cooperativa: Uma estratégia de treinamento é introduzida para promover a especialização eficaz de ramos e estabilizar o mecanismo de coordenação espacial.
4. Desempenho e Praticidade: O método alcança resultados state-of-the-art em conjuntos de dados de referência usando apenas entrada RGB, evitando a sobrecarga computacional e a não confiabilidade de sensores de profundidade. Também é validado em um robô subaquático real.

4. Resultados Experimentais

Os autores avaliaram o DSS-USOD em dois conjuntos de dados de referência: USOD10K e USOD.

• Desempenho Quantitativo: O DSS-USOD (especificamente a variante DSS-USOD-S) alcançou desempenho superior em quatro métricas (medida S, medida E, maxF e MAE) em comparação com 40 métodos state-of-the-art, incluindo abordagens baseadas em RGB, RGB-D e difusão.
  • No USOD10K, alcançou uma medida S de 0,9338 e MAE de 0,0165.
  • Notavelmente, superou métodos fortes baseados em RGB-D (por exemplo, FSCDiff, SearchNet) enquanto dependia exclusivamente de entrada RGB.
• Generalização: Quando testado em seis benchmarks terrestres de SOD (por exemplo, DUTS-TE, ECSSD) sem ajuste fino, o DSS-USOD demonstrou desempenho competitivo entre domínios, particularmente na minimização de erros em nível de pixel (MAE), sugerindo que as pistas estruturais aprendidas são transferíveis.
• Estudos de Ablação:
  • Remover qualquer um dos ramos BS ou RC degradou o desempenho, confirmando sua natureza complementar.
  • Substituir o SCM por média fixa ou ponderação global resultou em desempenho inferior, validando a necessidade de coordenação adaptativa espacialmente.
  • Remover a supervisão cooperativa levou a previsões de limites e região menos precisas.
  • A estratégia de Refinamento Progressivo de Previsão (PPR) mostrou-se crítica para alcançar precisão de alta resolução.
• Implantação no Mundo Real: O modelo (DSS-USOD-T) foi implantado em um robô subaquático equipado com um NVIDIA Jetson TX2 NX. Alcançou uma velocidade de inferência de 21 FPS, realizando com sucesso inspeção visual de alvos em tempo real e destacando objetos de primeiro plano enquanto suprimia ruído subaquático.

5. Significado e Alegações

O artigo afirma que o DSS-USOD oferece uma nova perspectiva sobre USOD baseada em RGB, demonstrando que desentrelaçar explicitamente e coordenar dinamicamente representações estruturais complementares é mais eficaz do que modelagem unificada ou depender de modalidades auxiliares de profundidade.

Os autores afirmam que sua abordagem aborda a questão fundamental do emaranhamento entre limites e região, permitindo que o modelo equilibre precisão de limites e coerência de região mesmo sob degradação subaquática severa. A implantação bem-sucedida no mundo real em um robô com recursos limitados valida a eficácia prática do método para tarefas subaquáticas guiadas por visão, como monitoramento ambiental e inspeção de infraestrutura, sem a necessidade de hardware complexo de sensoriamento de profundidade.