Frequency-Guided Real-Time Detection of Weak Water-Surface Targetsfor Unmanned Surface Vehicles

Problema

A percepção visual em tempo real para Veículos de Superfície Não Tripulados (USVs) enfrenta um desafio crítico: detectar alvos fracos e pequenos na superfície da água (ex: detritos flutuantes, objetos de resgate) sob condições de baixa Relação Sinal-Ruído (SNR). Esses alvos frequentemente ocupam apenas alguns pixels (ex: 12×12 a 32×32 pixels) e são obscurecidos por ondas, reflexos especulares e iluminação não uniforme. Os detectores existentes têm dificuldade com este problema de "interpretação de sinal fraco" porque:

1. Desajuste de Frequência: Muitos detectores tratam a interferência de ondas e reflexos como ruído visual genérico, sem analisar sua estrutura de frequência específica.
2. Global vs. Local: Modelos sensíveis à frequência frequentemente aprimoram características globalmente, enquanto alvos flutuantes fracos exigem o aprimoramento seletivo especificamente nos ramos de alta resolução para alvos pequenos.
3. Supervisão Estática: Perdas de regressão de caixa delimitadora padrão (ex: CIoU) não adaptam sua força de correção com base na qualidade da predição específica ou no desvio geométrico de amostras individuais.

Metodologia

Os autores propõem um detector leve construído sobre a arquitetura YOLO11n, introduzindo duas inovações primárias: um módulo de características guiado por frequência e uma perda de regressão adaptativa.

1. Análise Espectral de Cenas de Superfície de Água

Antes de projetar o modelo, os autores realizaram uma análise espectral entre conjuntos de dados de superfície de água (FloW, FML-v1, FML-v2) contra cenas genéricas (COCO).

• Descobertas: Imagens de superfície de água exibem expoentes de decaimento espectral significativamente menores ($\beta \approx 2.3\text{--}2.5$) em comparação com cenas genéricas ($\beta \approx 2.7$), indicando um decaimento espectral mais lento e maior retenção de energia nas bandas de média e alta frequência.
• SNR: A SNR local para pequenos alvos aquáticos é extremamente baixa (3–8 dB) em comparação com objetos genéricos (12–18 dB).
• Direcionalidade: Superfícies de água mostram uma forte concentração de energia direcional ao longo dos eixos horizontal e vertical devido às texturas das ondas, ao contrário da distribuição isotrópica em cenas genéricas.

2. Módulo de Seleção de Banda e Roteamento Espacial (BSSR)

Para abordar as descobertas espectrais, os autores inseriram o módulo BSSR exclusivamente no ramo de alta resolução P2 (stride 4) do detector. Isso garante que o aprimoramento ocorra onde os alvos pequenos são espacialmente visíveis, sem sobrecarregar toda a rede. O módulo consiste em:

• Ramo de Frequência: Decompõe as características em bandas de Baixa, Média e Alta frequência. Diferente de abordagens padrão que suprimem frequências médias como ruído, o BSSR aprende a rotear e enfatizar a banda de frequência média, que contém pistas substanciais de alvos em cenas aquáticas.
• Ramo Direcional: Aplica kernels de Sobel em quatro direções (horizontal, vertical, diagonal) para capturar respostas de bordas fragmentadas causadas pela interferência das ondas.
• Ramo de Contexto Local: Utiliza uma convolução depthwise de 5×5 para preservar o suporte espacial local.
• Portão Adaptativo (Adaptive Gating): Um roteador leve gera portões ativados por sigmoide ($\alpha_1, \alpha_2, \alpha_3$) para fundir as características aprimoradas com a entrada original. A fórmula de saída é:
  $$F_{out} = F + \alpha_1 F_{base} + \alpha_2 F - \alpha_3 |F - F_{base}|$$
  Esta estrutura injeta pistas aprimoradas, preserva o sinal original e suprime adaptativamente as discrepâncias residuais (atuando como um portão de redução de ruído).

3. Perda de IoU Normalizada por Escala (SNK-IoU)

Os autores introduzem uma função de perda de treinamento que adapta a supervisão de regressão da caixa delimitadora com base na qualidade da predição, inspirada no mecanismo de ganho do filtro de Kalman.

• Mecanismo: Trata o erro de IoU ($P = 1 - \text{IoU}$) como "incerteza de predição" e o desvio da razão de aspecto ($R$) como "ruído de observação".
• Ganho Adaptativo: Um ganho de Kalman limitado ($K \in [0.2, 0.8]$) é computado para misturar termos lineares e quadráticos de CIoU:
  $$L_{SNK} = K \cdot L_{CIoU} + (1-K) \cdot L^2_{CIoU}$$
• Comportamento: Quando o IoU é baixo (baixa sobreposição), $K$ é alto, favorecendo o termo linear para uma correção forte. Quando o IoU é alto (boa sobreposição), $K$ é baixo, favorecendo o termo quadrático para um refinamento de grão fino. Isso adiciona custo computacional zero durante a inferência.

Principais Contribuições

1. Caracterização Espectral: Uma análise entre conjuntos de dados estabelecendo que a detecção de superfície de água é um problema de reconhecimento de alvo fraco caracterizado por baixa SNR e fundos dominados por média frequência.
2. Módulo BSSR: Um design de roteamento de características reutilizável que realiza decomposição de frequência, roteamento de borda direcional e portão adaptativo especificamente dentro do ramo de alta resolução para alvos pequenos.
3. Perda SNK-IoU: Uma perda de regressão adaptativa por amostra que equilibra correção grosseira e refinamento fino usando uma analogia de ganho limitado, melhorando a localização sem alterar o grafo de inferência.
4. Avaliação Abrangente: Experimentos extensos no benchmark FloW e testes de transferência entre conjuntos de dados no PoTATO, avaliando precisão, AP de objetos pequenos, tamanho do modelo, latência e throughput.

Resultados Experimentais

O método proposto foi avaliado no conjunto de dados FloW (detecção de resíduos flutuantes) e testado para transferibilidade no PoTATO.

• Precisão: No FloW, o método proposto alcançou 47,35% mAP50:95, um aumento de 5,91 pontos percentuais sobre a linha de base YOLO11n (41,44%).
• Desempenho de Objetos Pequenos: O método melhorou o AP(S) (objetos pequenos) em 3,30 pontos (de 30,50% para 33,80%) sob métricas padrão do COCO.
• Eficiência:
  • Parâmetros: Aumentou apenas 0,121 M (total de 2,71 M).
  • Latência: Em uma NVIDIA RTX 5090, o modelo roda a 93,1 FPS (10,7 ms/frame).
  • Implantação: Ao ser exportado para ONNX e executado em uma RTX 4080 Super, a latência end-to-end é de 6,40 ms (156,2 FPS).
• Generalização: O módulo BSSR melhorou o desempenho em quatro diferentes famílias de detectores leves (YOLOv8n, YOLO11n, YOLO12n, YOLO26n) com ganhos variando de 2,23 a 5,91 mAP50:95. A transferência entre conjuntos de dados (FloW $\to$ PoTATO e vice-versa) mostrou melhorias consistentes (~4,5–4,7 pontos), sugerindo que o método captura propriedades gerais de superfície de água em vez de padrões específicos de um conjunto de dados.
• Convergência: O modelo convergiu mais rápido (época 81) em comparação com outras variantes de perda (ex: Inner-IoU na época 188).

Significância e Alegações

O artigo afirma que o roteamento de características informado pela frequência e a supervisão adaptativa neutra à inferência são estratégias eficazes para melhorar a detecção de alvos fracos em fundos dinâmicos de baixa SNR.

• Princípio de Design: O trabalho demonstra que o design do detector deve estar vinculado às estatísticas medidas da cena (especificamente decaimento de frequência e energia direcional) em vez de depender apenas de mecanismos de atenção genéricos ou escalonamento global.
• Viabilidade em Tempo Real: A abordagem equilibra com sucesso precisão e latência, tornando-a adequada para a percepção de USVs em tempo real, onde os recursos computacionais são limitados.
• Modéstia e Limitações: Os autores declaram explicitamente que, embora o modelo exceda os requisitos de tempo real em GPUs desktop, a implantação em sistemas embarcados (ex: NVIDIA Jetson Orin) e a otimização via TensorRT permanecem como trabalhos futuros. Eles também reconhecem limitações quanto a:
  • Alvos menores que ~6×6 pixels (abaixo do limite de stride-4 do P2).
  • Falsos positivos disparados por reflexos especulares fortes que mimetizam bordas de alvos.
  • A falta de um conjunto de teste isolado no benchmark FloW (embora mitigado pelo teste entre conjuntos de dados).
  • A incapacidade de imagens de luz visível lidarem com noite, névoa ou chuva forte sem sensores adicionais.

Os autores posicionam este trabalho como uma ferramenta de auxílio à decisão para USVs, enfatizando que a implantação em campo requer verificações de consistência temporal e supervisão humana, em vez de reivindicar certificação de segurança autônoma.