Trajectory-Aware Adaptive Inference in Object Detection Models

Resumo Técnico: Inferência Adaptativa Consciente de Trajetória em Modelos de Detecção de Objetos

Declaração do Problema
A integração de sensores na navegação marítima autônoma gerou conjuntos de dados multimodais em grande escala, criando uma demanda por percepção em tempo real eficiente. Embora a detecção de objetos e a percepção de trajetória estejam intimamente acopladas em ambientes dinâmicos como a navegação marítima, a eficiência de inferência dos modelos de detecção de objetos é frequentemente negligenciada. Detectores padrão, como a família YOLO, aplicam esforço computacional uniforme a todas as entradas, independentemente da dificuldade da cena. Essa abordagem estática é subótima para ambientes com recursos limitados (por exemplo, Veículos de Superfície Autônomos ou ASVs), onde a latência e a eficiência energética são críticas. Métodos de inferência adaptativa existentes, como redes neurais com múltiplas saídas, geralmente dependem de sinais de confiança internos do modelo (por exemplo, entropia ou probabilidade softmax) em vez de dados contextuais externos. Consequentemente, há uma necessidade de uma estratégia de inferência que aproveite dados de trajetória externos para ajustar dinamicamente a carga computacional com base na complexidade da cena.

Metodologia
Os autores propõem um Framework de Inferência Adaptativa Consciente de Trajetória que integra dados de trajetória GPS ao processo de inferência de um detector baseado em YOLOv8. A metodologia consiste em três etapas principais:

1. Adaptação do Detector e Ajuste Fino Consciente de Escala:

   • O modelo base YOLOv8 é ajustado finamente em um conjunto de dados marítimo.
   • Reconhecendo que o YOLOv8 possui uma estrutura implícita de múltiplas saídas por meio de suas três cabeças de detecção (P3, P4, P5) operando em diferentes escalas, os autores tratam essas cabeças como pontos de saída potenciais.
   • Uma estratégia de taxa de aprendizado consciente de escala é empregada. As caixas delimitadoras nos dados de treinamento são categorizadas por tamanho (pequeno, médio, grande). Taxas de aprendizado são atribuídas a cada cabeça de detecção com base na frequência e dificuldade dos tamanhos de objetos correspondentes no conjunto de dados. Cabeças associadas a tamanhos de objetos super-representados ou desafiadores recebem taxas de aprendizado mais altas para garantir especialização adequada.

2. Estimativa de Dificuldade Baseada em Trajetória:

   • Em vez de confiar na confiança interna, o sistema utiliza pistas de movimento externas derivadas de dados GPS sincronizados.
   • Duas métricas-chave são calculadas para cada quadro (ou janela de um segundo):
     • Distância inter-embarcações ($d_t$): Calculada usando a fórmula de Haversine.
     • Taxa de fechamento ($v_t$): A taxa na qual a distância entre objetos em movimento diminui ao longo do tempo.
   • Essas métricas servem como proxies para "dificuldade da cena". Cenários com embarcações próximas e altas taxas de convergência são considerados complexos, enquanto cenários bem separados e de movimento lento são considerados simples.

3. Controle de Inferência Adaptativa (Política de Saída Antecipada):

   • Uma política condicional determina quais cabeças de detecção ativar:
     • Baixa Complexidade: Se $d_t > \tau_1$ (por exemplo, 30m) E $v_t < \tau_2$ (por exemplo, 0,5 m/s), apenas a cabeça P3 de alta resolução é ativada.
     • Alta Complexidade: Caso contrário, o modelo completo (cabeças P3, P4 e P5) é executado.
   • Essa abordagem permite que o sistema contorne partes computacionalmente caras da rede quando os dados de trajetória indicam um ambiente de baixo risco e baixa complexidade.

Principais Contribuições

• Inferência Adaptativa Multimodal: A integração de dados de mobilidade (trajetórias GPS) com visão computacional para orientar a alocação de recursos computacionais, indo além da saída antecipada baseada em confiança.
• Ajuste Fino Consciente de Escala: Uma metodologia para modular taxas de aprendizado por cabeça de detecção com base na distribuição geométrica dos tamanhos de objetos no domínio de destino, otimizando as cabeças para operação independente.
• Validação Empírica: Uma avaliação abrangente do modelo YOLOv8 proposto, fornecendo insights sobre compensações latência-precisão por cabeça e demonstrando a eficácia do controle de inferência impulsionado por trajetória.

Resultados Experimentais
O framework foi avaliado usando um conjunto de dados composto por vídeo sincronizado de câmeras a bordo de ASVs e dados de trajetória GPS das mesmas plataformas (250 registros GPS, 3.686 quadros de vídeo).

• Desempenho das Cabeças: A avaliação independente das cabeças de detecção revelou que a cabeça P4 (escala média) domina as contagens de detecção e alcança o melhor desempenho autônomo (mAP@50) entre as variantes do modelo (Nano, Pequeno, Médio). A cabeça P3 mostrou sensibilidade aumentada a objetos pequenos em modelos maiores.
• Eficiência Computacional: A ativação de cabeças individuais gerou economias significativas de FLOPs (variando de ~18% a ~33%, dependendo da cabeça e do tamanho do modelo) e acelerações (até 1,61x para P3 no modelo Nano).
• Desempenho da Estratégia Adaptativa: Em um cenário marítimo realista com limites definidos em 30m de distância e 0,5 m/s de taxa de fechamento:
  • 3.027 dos 3.686 quadros (aproximadamente 82%) foram processados usando apenas a cabeça P3.
  • A latência de inferência mediana caiu de 10,097 ms/quadro (modelo completo) para 6,686 ms/quadro (apenas P3).
  • O tempo total de processamento para a sequência de vídeo diminuiu de um projetado 37,22 segundos para 26,89 segundos.
  • A estratégia manteve desempenho de rastreamento eficaz, equilibrando com sucesso a latência reduzida com precisão de detecção aceitável.

Significado e Alegações
O artigo afirma que o framework proposto oferece uma compensação flexível entre precisão e eficiência, tornando-o particularmente adequado para aplicações em tempo real e com recursos limitados, como a navegação marítima autônoma. Ao aproveitar pistas de trajetória externas, o sistema alcança computação adaptativa à entrada sem exigir modelagem complexa de confiança interna. Os autores observam que, embora a abordagem reduza significativamente a sobrecarga de processamento e a latência, ela preserva o desempenho preditivo em ambientes dinâmicos.

Trabalho Futuro
Os autores sugerem direções futuras incluindo:

• Generalizar o método para arquiteturas alternativas (por exemplo, DETR).
• Testar a robustez sob condições desafiadoras (clima adverso, ruído de sensor, baixa visibilidade).
• Incorporar mapeamentos explícitos entre coordenadas GPS e coordenadas de imagem para aprimorar ainda mais a fusão de informações de trajetória e visuais.