Resumo Técnico: Uma Avaliação Orientada a Tarefas de Detecção e Rastreamento de UAV sob Nevoeiro Sintético

Definição do Problema

A detecção e o rastreamento confiáveis de Veículos Aéreos Não Tripulados (UAVs) pequenos em espaço aéreo aberto são críticos para a consciência situacional e sistemas de detecção e evasão (sense-and-avoid). No entanto, o nevoeiro degrada severamente o desempenho em imagens dominadas pelo céu e de longo alcance, reduzindo o contraste entre o alvo e o fundo e suprimindo detalhes de alta frequência essenciais para o reconhecimento de objetos pequenos e distantes. Embora a desnebulização de imagem única tenha avançado significativamente, os benchmarks existentes frequentemente falham em demonstrar que melhorias em métricas de restauração ao nível da imagem (ex: PSNR, SSIM) se traduzem em ganhos proporcionais em tarefas de percepção downstream. Além disso, há uma falta de estudos sistemáticos de nível de tarefa que conectem a síntese de nevoeiro dependente de profundidade, a restauração de imagem e a detecção/rastreamento de UAV dentro de um protocolo controlado, particularmente para cenários onde os efeitos de nevoeiro são fortemente impulsionados pela profundidade.

Metodologia

Os autores propõem um pipeline de avaliação unificado e orientado a tarefas, compreendendo três estágios: treinamento, inferência de detecção e inferência de rastreamento.

1. Geração de Nevoeiro Sintético

Para enfrentar a escassez de dados de UAV nebulosos anotados, o estudo utiliza um modelo de espalhamento atmosférico (ASM) dependente de profundidade para gerar nevoeiro sintético a partir de imagens reais de tempo limpo.

• Estimativa de Profundidade: A profundidade monocular é estimada usando MiDaS para fornecer uma representação de profundidade relativa densa.
• Normalização: Os mapas de profundidade brutos são normalizados usando limites de percentil específicos do conjunto de dados para garantir uma escala consistente e, em seguida, invertidos para que valores maiores correspondam a pontos mais distantes.
• Síntese de Nevoeiro: A imagem nebulosa $I(x)$ é sintetizada usando a equação $I(x) = J(x)t(x) + A(1 - t(x))$, onde $J(x)$ é a radiância limpa, $A$ é a luz atmosférica global, e $t(x) = \exp(-\beta d(x))$ é o mapa de transmissão. O parâmetro $\beta$ controla a severidade do nevoeiro, variando entre cinco níveis ($0,4, 0,8, 1,6, 2,4, 3,6$) para simular desde uma degradação leve até severa.

2. Avaliação de Restauração de Imagem

Métodos de restauração representativos de três famílias foram avaliados no dataset MMAUD para selecionar o melhor modelo para tarefas downstream:

• Clássicos: Dark Channel Prior (DCP) e Color Attenuation Prior (CAP).
• Baseados em CNN: FFA-Net.
• Baseados em Transformer: DehazeFormer.
  O DehazeFormer foi selecionado com base no desempenho quantitativo (PSNR, SSIM) e qualitativo superior em imagens dominadas pelo céu.

3. Regimes de Detecção e Treinamento

Os experimentos utilizaram a família de detectores YOLO11 (n, s, m) treinados no dataset CfAR. Dois regimes de treinamento primários foram comparados:

• Treinamento Exclusivo com Tempo Limpo (Clean-Only): Detectores treinados exclusivamente em imagens claras.
• Treinamento Inclusivo de Nevoeiro (Fog-Inclusive): Detectores treinados em uma mistura de imagens limpas e degradadas por nevoeiro em várias proporções (30%, 50%, 70%, 100% de nevoeiro).
  Os detectores foram avaliados em conjuntos de teste limpos, nebulosos e restaurados.

4. Rastreamento por Detecção (Tracking-by-Detection)

O desempenho de rastreamento foi avaliado usando ByteTrack e BoT-SORT no dataset DUT Anti-UAV. O estudo avaliou o rastreamento em sequências de vídeo limpas, nebulosas e restauradas, medindo o desempenho via Multiple Object Tracking Accuracy (MOTA) e Identity F1 Score (IDF1).

Principais Contribuições

1. Framework Orientado a Tarefas: Um pipeline unificado que vincula a síntese de nevoeiro dependente de profundidade, a restauração de imagem, a detecção de objetos e o rastreamento, priorizando o desempenho de percepção downstream sobre a qualidade isolada da restauração de imagem.
2. Síntese de Nevoeiro Dependente de Profundidade: Um pipeline para gerar variantes de imagens de UAV degradadas por nevoeiro de forma controlada usando estimativa de profundidade monocular e o ASM, com os datasets gerados disponibilizados publicamente.
3. Análise Comparativa: Um estudo experimental rigoroso analisando como a degradação climática e a restauração afetam a robustez da detecção e a estabilidade do rastreamento temporal, comparando especificamente a restauração em tempo de teste contra o treinamento inclusivo de nevoeiro.

Resultados

• Impacto do Nevoeiro: O nevoeiro degrada substancialmente tanto a detecção quanto o rastreamento, principalmente aumentando as detecções perdidas (Falsos Negativos) em vez de falsos positivos. O recall cai drasticamente conforme a severidade do nevoeiro aumenta, levando a declínios significativos em mAP e métricas de rastreamento (MOTA, IDF1).
• Restauração vs. Treinamento:
  • Detectores Treinados com Tempo Limpo: A restauração em tempo de teste fornece melhorias consistentes, recuperando parcialmente o desempenho perdido devido ao nevoeiro. No entanto, o desempenho restaurado raramente atinge a linha de base de tempo limpo, indicando que a restauração reduz, mas não elimina, o gap de domínio.
  • Treinamento Inclusivo de Nevoeiro: O treinamento com dados de nevoeiro fornece a melhoria mais consistente na robustez. À medida que a proporção de nevoeiro no treinamento aumenta, a lacuna de desempenho entre as entradas nebulosas e as restauradas diminui significativamente. Em alguns casos, o treinamento inclusivo de nevoeiro torna a restauração desnecessária ou até mesmo ligeiramente menos eficaz, sugerindo que aprender diretamente de dados degradados é superior a depender de restauração post-hoc.
• Desempenho de Rastreamento: A robustez do rastreamento é governada primariamente pela robustez do detector subjacente. Quando os detectores falham devido a detecções perdidas, os rastreadores não conseguem recuperar o alvo. O treinamento de detectores inclusivo de nevoeiro transfere-se diretamente para um desempenho de rastreamento mais forte, enquanto a escolha entre ByteTrack e BoT-SORT tem um efeito secundário e dependente da sequência.
• Estabilidade: O treinamento inclusivo de nevoeiro reduz significativamente o coeficiente de variação (CV) do mAP através das severidades de nevoeiro, indicando um desempenho mais estável sob condições de visibilidade variáveis em comparação ao treinamento exclusivo de tempo limpo.

Significância e Alegações

O artigo afirma que melhorias na qualidade da restauração da imagem não se traduzem necessariamente em ganhos proporcionais na percepção downstream. O estudo demonstra que, embora a restauração seja benéfica para detectores treinados apenas com dados de tempo limpo, o treinamento inclusivo de nevoeiro é a rota mais confiável para alcançar a robustez.

Os autores concluem que, para implantação prática, um sistema deve priorizar o treinamento de detectores em dados degradados para reduzir a dependência de restauração. A restauração ainda pode servir como um passo de pré-processamento útil para modelos treinados em tempo limpo ou em cenários de humano no loop (human-in-the-loop) onde a clareza visual auxilia a consciência do operador, mas não deve ser vista como uma solução universal. As descobertas enfatizam que a robustez deve ser avaliada conjuntamente através de métricas de detecção e rastreamento, em vez de isoladamente. O estudo reconhece suas limitações quanto à avaliação controlada de nevoeiro sintético e identifica trabalhos futuros na validação em dados reais de clima adverso e na exploração de percepção multimodal.