DroneDAR: Long-Range Drone Distance Estimation Using Monocular Vision and Bounding-Box Features

Resumo Técnico: DroneDAR – Estimativa de Distância de Drones de Longo Alcance Usando Visão Monocular e Características de Caixa de Delimitação (Bounding-Box)

Declaração do Problema
A estimativa precisa de distância para veículos aéreos não tripulados (VANTs) pequenos em imagens de longo alcance é crítica para rastreamento, monitoramento de segurança e consciência situacional. No entanto, esta tarefa permanece desafiadora devido à extrema variação de escala do alvo, poluição visual do fundo, condições atmosféricas e ruído do sensor. Em configurações de visão monocular, a estimativa de distância é inerentemente ambígua sem geometria calibrada ou observações de múltiplas vistas. À medida que os drones se afastam, eles ocupam menos pixels, fazendo com que as pistas de aparência e escala degradem rapidamente. Além disso, sistemas práticos frequentemente dependem de recortes de imagem (crops) e medições de caixas de delimitação derivadas de detectores de objetos; ambos os inputs podem ser ruidosos devido a erros de anotação, imperfeições do detector ou perda de detalhes discriminativos em recortes pequenos. Modelos existentes, como o DroneRanger, têm dificuldade em generalizar através de diversos regimes de distância e variabilidades de cena encontrados em dados do mundo real.

Metodologia
Os autores propõem o DroneDAR (Drone Detection And Ranging), uma nova arquitetura que se baseia no baseline DroneRanger. A metodologia foca em três modificações arquiteturais e de treinamento primárias:

1. Substituição do Backbone: O backbone CNN customizado usado no DroneRanger é substituído por arquiteturas ResNet padrão (ResNet-18 e ResNet-50) para avaliar o impacto da capacidade do backbone na predição de alcance.
2. Portão de Características de Caixa de Delimitação (Bounding-Box Feature Gate): Uma inovação fundamental é a introdução de um mecanismo de portão (gating) leve. Este módulo recebe características da caixa de delimitação ($B_f$, ex: área, razão de aspecto) e características do recorte da imagem ($C_f$) como entradas. Um MLP denso projeta as características da caixa de delimitação para corresponder à dimensão das características da imagem, que são então passadas por uma função de ativação sigmoid. O portão resultante pondera as características da imagem ($C_f$) para produzir uma saída portada ($C_{gf}$). Isso permite que o modelo equilibre dinamicamente a dependência de pistas geométricas (caixa de delimitação) versus pistas de aparência (recorte da imagem) com base na qualidade do input, o que é particularmente vital quando os recortes de imagem contêm poucos pixels em longas distâncias.
3. Configuração de Treinamento: Os modelos são treinados no dataset LRDDv3, que contém mais de 100 mil imagens com metadados de alcance abrangentes. Os autores experimentam diferentes resoluções de recorte de entrada (220x220, 360x360, 512x512) e funções de perda (MSE vs. Huber).

Principais Contribuições

• Modelo DroneDAR: A proposta de um modelo que integra um portão de características de caixa de delimitação customizado para melhorar a robustez através de variados regimes de distância.
• Experimentos Controlados: Uma análise sistemática de como a capacidade do backbone, a resolução do recorte e as funções de perda de regressão afetam o desempenho. O estudo destaca que, embora backbones maiores ofereçam ganhos marginais, a resolução de entrada requer trocas cuidadosas para evitar artefatos de interpolação em recortes de longo alcance ou perda de informação em recortes de curto alcance.
• Análise de Modos de Falha: Um exame dos modos de falha comuns, especificamente a sensibilidade ao ruído da caixa de delimitação e a degradação do detalhe de textura nos recortes em distâncias extremas.

Resultados Experimentais
Experimentos foram conduzidos no conjunto de teste LRDDv3, comparando o DroneDAR contra o baseline DroneRanger e várias ablações:

• Desempenho do Backbone: A substituição do backbone customizado por ResNet-18 e ResNet-50 melhorou o Erro Médio Absoluto (MAE) em aproximadamente 2% e o Erro Quadrático Médio (RMSE) em 0,5% no geral. No entanto, a diferença entre ResNet-18 e ResNet-50 foi mínima, sugerindo que a capacidade do modelo satura rapidamente para esta tarefa.
• Funções de Perda: Embora o MSE tenha apresentado melhor RMSE em longos alcances, a perda Huber produziu resultados superiores para RMSE em curtos alcances e MAE em todas as distâncias. Consequentemente, a perda Huber foi selecionada para o modelo final.
• Resolução de Entrada: Resoluções de entrada mais baixas (ex: 220x220) geralmente performaram melhor para drones de longo alcance ao evitar o aumento de escala de pixels esparsos em dados redundantes e ruidosos. Por outro lado, resoluções mais altas (512x512) beneficiaram a ResNet-50 em curtos alcances, mas não melhoraram significativamente o desempenho da ResNet-18.
• Impacto do Portão de Características: A adição do portão de características de caixa de delimitação proporcionou melhorias consistentes, particularmente em longos alcances onde as características da imagem são menos confiáveis. Para a configuração de melhor desempenho (ResNet-18, 220x220, Huber loss, portado), o modelo alcançou um MAE de 32,39 pés e um RMSE de 68,49 pés em todo o alcance, superando o baseline DroneRanger (35,95 pés MAE, 70,67 pés RMSE) por 3,56 pés de MAE e 2,18 pés de RMSE.
• Tendências de Distância: Ambos os modelos performaram melhor em curtos alcances (abaixo de 100 pés). As métricas de erro aumentaram significativamente além de 100 pés, atribuído ao tamanho reduzido do recorte, redução das características da imagem e desequilíbrio de dados.

Significância e Limitações
O artigo afirma que o DroneDAR fornece uma abordagem robusta para a estimação de distância de drones monoculares sob condições reais de longo alcance. A significância reside em demonstrar que o uso de portões explícitos nas características da imagem usando pistas de caixa de delimitação pode aumentar a confiabilidade, especialmente quando os alvos ocupam apenas alguns pixels.

No entanto, os autores mantêm uma postura modesta em relação às limitações. O desempenho permanece limitado em distâncias extremas, onde os alvos são extremamente pequenos e o ruído da caixa de delimitação torna-se uma fonte dominante de erro. O estudo observa que, se a caixa de delimitação for imprecisa ou ruidosa, tanto o recorte quanto as características geométricas derivadas serão corrompidos, levando a grandes erros de alcance. O artigo conclui que trabalhos futuros devem focar em melhorar a robustez a detecções imperfeitas e potencialmente utilizar informações temporais para estabilizar as predições.