💻 computer science

EMA-Det: Hardware-Aware Edge Verification for Two-Stage UAV Detection

Este artigo apresenta o EMA-Det, uma rede de verificação de regiões de saída antecipada e consciente do hardware para detecção de UAV em duas etapas que prioriza o recall sobre o mAP para superar gargalos do sistema, alcançando desempenho superior em dispositivos de borda e demonstrando a necessidade de treinamento específico de domínio para aplicações térmicas-IR.

Autores originais: Enes Mert AYDIN, Osman TOKLUOGLU, Enver CAVUS

Publicado 2026-08-20

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Enes Mert AYDIN, Osman TOKLUOGLU, Enver CAVUS

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Nos céus acima de nossas cidades e fronteiras, um novo tipo de desafio silencioso surgiu: drones pequenos, lentos e de baixa altitude. Essas aeronaves não tripuladas, muitas vezes não maiores que um pássaro, podem passar despercebidas pelos radares e câmeras tradicionais, representando riscos para aeroportos, estádios e infraestruturas críticas. Defender-se deles exige um sistema que possa ver, decidir e agir em uma fração de segundo. No entanto, os computadores que precisariam executar essas defesas são frequentemente dispositivos pequenos, alimentados por baterias, com memória e poder de processamento limitados. Eles não podem simplesmente escanear um fluxo de vídeo massivo e de alta definição com o mesmo software pesado usado em um supercomputador; o fluxo de dados é muito amplo e a memória é muito estreita. Para resolver isso, os engenheiros costem usar uma abordagem de duas etapas. Primeiro, uma varredura rápida e simples de sensores sinaliza algumas pequenas áreas do céu que possam conter um drone. Em seguida, um segundo sistema, mais cuidadoso, dá um zoom apenas nesses pequenos fragmentos para confirmar se há uma ameação real ali. O sucesso de toda a defesa depende deste segundo passo: se ele perder um drone, o sistema falha, independentemente de quão bem o primeiro passo tenha funcionado.

Pesquisadores da Universidade Ankara Yıldırım Beyazıt desenvolveram um novo método chamado EMA-Det para tornar este segundo passo mais rápido e confiável nesses pequenos dispositivos de borda (edge devices). Em vez de tentar construir uma rede única e massiva que faça tudo, eles projetaram um verificador especializado que compreende a natureza única da tarefa. Eles perceberam que a maioria dos pequenos fragmentos de imagem enviados para verificação é, na verdade, céu vazio. Um sistema de visão computacional padrão desperdiçaria tempo analisando cada um dos fragmentos com o mesmo esforço pesado, quer contenham um drone ou apenas o céu azul. O novo sistema muda isso ao adicionar "saídas antecipadas" (early exits). À medida que os dados da imagem fluem pela rede, verificações simples ocorrem logo no início. Se o sistema tiver alta confiança de que um fragmento é apenas céu vazio, ele interrompe o processamento imediatamente e o descarta, economizando tempo e energia valiosos. Apenas os fragmentos que parecem suspeitos são permitidos a percorrer as camadas mais profundas e complexas da rede. Este design transforma o fato de que a maioria dos candidatos é inofensiva em uma vantagem de velocidade, permitindo que o dispositivo lide com mais ameaças potenciais sem desacelerar.

Para ensinar este sistema o que procurar, os pesquisadores tiveram que ser extremamente cuidadosos com os dados que utilizaram. Eles reuniram milhares de fotos de drones e céus vazios de fontes públicas, mas notaram que muitas imagens eram cópias quase idênticas tiradas dos mesmos quadros de vídeo. Para garantir que o sistema estivesse realmente aprendendo e não apenas memorizando duplicatas, eles criaram um processo de limpeza rigoroso. Eles removeram as duplicatas e dividiram as imagens únicas restantes em grupos de treinamento e teste, garantindo que nenhuma foto aparecesse em ambos. Eles também iniciaram o processo de aprendizado do sistema com um truque inteligente: em vez de deixar o computador adivinhar como são as bordas e formas do zero, deram-lhe uma vantagem ao programar a primeira camada para reconhecer linhas e bordas básicas, de forma muito semelhante a um humano esboçando o contorno de um objeto antes de preenchê-lo. Esse ponto de partida físico ajudou o sistema a aprender de forma mais rápida e estável.

Os resultados desta abordagem foram impressionantes quando testados contra métodos padrão. Enquanto outros sistemas de detecção populares, que são projetados para escanear vistas de ângulo amplo inteiras, conseguiram encontrar cerca de 74 por cento dos drones nestes pequenos fragmentos, o novo sistema encontrou quase 96 por cento. Os pesquisadores descobriram que a maneira padrão de medir o sucesso, que observa uma pontuação média complexa, era na verdade enganosa para este trabalho específico. Um sistema pode parecer bom nessa pontuação média, mas ainda assim perder muitos drones, o que é uma falha fatal para um sistema de defesa. Ao focar na capacidade de capturar cada alvo, o novo design provou ser muito superior. A equipe também testou o quão bem o sistema funcionaria se fosse treinado em câmeras de luz visível, mas depois fosse solicitado a observar imagens infravermelhas térmicas, que mostram calor em vez de cor. Sem qualquer retreinamento, o sistema ainda reconheceu drones com alta precisão, embora tenha perdido mais deles do que fez com a luz visível. No entanto, quando treinaram o sistema do zero usando imagens térmicas, ele teve um desempenho excepcional, provando que a lacuna entre os dois tipos de visão devia-se à diferença nas próprias imagens, e não a um limite do design do sistema.

Para provar que este sistema poderia realmente rodar em hardware real, a equipe pegou a primeira parte de sua rede e construiu um projeto digital para um tipo específico de chip usado em dispositivos de campo. Eles verificaram que este projeto caberia dentro dos limites estritos de memória e energia do chip, confirmando que o design não é apenas uma teoria, mas uma solução prática para implantação no mundo real. O trabalho demonstra que, para a proteção contra drones pequenos e lentos, a chave não é apenas construir um cérebro mais inteligente, mas construir um cérebro que saiba quando parar de pensar. Ao permitir que o sistema descarte rapidamente o céu vazio, ele economiza sua energia para os momentos que importam, garantindo que, quando um drone estiver presente, ele seja visto.

Resumo Técnico: EMA-Det

Declaração do Problema
A detecção de Veículos Aéreos Não Tripulados (UAVs) do tipo Low-Slow-Small (LSS) em dispositivos de borda enfrenta um gargalo crítico no ciclo "sentir-decidir-agir". Embora sistemas de defesa autônomos tipicamente empreguem um pipeline de dois estágios — onde um primeiro estágio (ex: radar, detecção de movimento) propõe Regiões de Interesse (RoIs) e um segundo estágio as verifica — as abordagens atuais frequentemente adaptam detectores de quadro total de propósito geral (como o YOLO) para a tarefa de verificação. Os autores argumentam que isso é subótimo por duas razões:

Restrições de Recursos: Dispositivos de borda, particularmente sistemas baseados em FPGA, são frequentemente limitados pela largura de banda de memória, em vez de computação bruta (FLOPs). Backbones leves padrão (ex: convoluções separáveis em profundidade) podem exacerbar a pressão de memória em tecidos limitados por BRAM.
Desalinhamento de Métricas: Em um cascata de dois estágios, o recall total do sistema ( $R_{total}$ ) é o produto do recall da proposta e do recall do verificador ( $R_{proposal} \times R_{verifier}$ ). Um verificador otimizado para Mean Average Precision (mAP) pode falhar em minimizar falsos negativos, criando um gargalo no nível do sistema. O estágio de verificação requer especificamente um alto recall para evitar falhas no sistema, mesmo que isso signifique sacrificar algum mAP.

Metodologia: EMA-Det
O artigo propõe o EMA-Det, uma rede de verificação de região de dois estágios, consciente do hardware, projetada especificamente para o segundo estágio da detecção de UAVs. Componentes arquitetônicos e metodológicos principais incluem:

Primeira Camada Inicializada Fisicamente: Para abordar a limitada informação espacial em alvos pequenos (resolução de 128×128), a primeira camada convolucional é inicializada com um banco determinístico de operadores Laplacian e Sobel. Isso fornece um viés indutivo para a detecção de bordas, reduzindo a variância do treinamento em comparação com a inicialização aleatória.
Portões de Saída Antecipada Dinâmicos: Aproveitando a distribuição assimétrica das regiões candidatas (onde a maioria é fundo), a rede incorpora dois pontos de saída antecipada com portão de confiança (após o Bloco 2 e o Bloco 4). Se um candidato é classificado com confiança como fundo, a inferência é interrompida, pulando as camadas subsequentes. Isso converte a escala de latência linear em uma escala assintótica, reduzindo significamente o tempo médio de inferência.
Cabeça de Bounding-Box Espacial Desacoplada: Diferente de arquiteturas padrão que agrupam características antes da regressão, o EMA-Det desacopla a cabeça de classificação (global average pooled) da cabeça de refinamento de bounding-box. A cabeça de box lê o mapa de características pré-pooling diretamente para preservar a informação de layout espacial, melhorando a localização sem um overhead significativo de parâmetros.
Função de Perda: A rede utiliza uma perda combinada de Binary Cross-Entropy para classificação, Complete-IoU (CIoU) para regressão de box, e termos adicionais de Binary Cross-Entropy para os portões de saída antecipada.
Design Consciente de Hardware: A arquitetura evita convoluções separáveis em profundidade em favor de convoluções padrão para mitigar a pressão de largura de banda de memória em FPGAs.

Configuração Experimental
O estudo emprega um protocolo de avaliação rigoroso e controlado:

Construção do Dataset: Um dataset deduplicado com divisão ao nível de fonte foi criado a partir de imagens públicas de UAVs e de céu/pássaros. Uma comparação de average-hash 8×8 removeu duplicatas próximas, garantindo uma fronteira estrita de treino/teste sem sobreposição ao nível de fonte. O corpus final contém 4.136 patches únicos.
Protocolo de Treinamento: Todos os modelos foram treinados por 150 épocas usando AdamW, cosine annealing e N=5 sementes aleatórias para garantir robustez estatística. A aumentação de dados excluiu Mosaic/MixUp para preservar as formas de alvos pequenos.
Baselines: Comparações foram feitas contra YOLOv8n, MobileNetV3-Small e ShuffleNetV2, todos treinados do zero com cabeças e protocolos idênticos.
Validação de Hardware: Uma análise estática de recursos e uma implementação sintetizada da primeira camada da rede foram realizadas em um FPGA Zynq-7020 usando Vitis HLS 2025.2.

Resultos Principais

Recall vs. mAP: O EMA-Det alcançou um recall de 96,08 ± 0,47%, superando significativamente a baseline de detecção total YOLOv8n (73,75 ± 1,86%) sob condições idênticas. Embora o YOLOv8n tenha alcançado um mAP maior (49,59% vs. 28,04%), os autores demonstram que o recall inferior do YOLOv8n criaria um gargalo no desempenho global do sistema.
Estudos de Ablação:
- CBAM: A inclusão de módulos de atenção CBAM não melhorou o mAP, mas reduziu a estabilidade do recall e o recall médio. Os autores concluem que os benefícios do CBAM em outros contextos podem substituir a informação espacial perdida pelo pooling, o que é mitigado pela cabeça de box desacoplada do EMA-Det.
- Cabeça de Box Espacial: O desacoplamento da cabeça de box melhorou o mAP@0.75 em 5,7 pontos e a estabilidade do recall (reduzindo o desvio padrão de 2,54 para 0,47) com um custo de FLOP negligível.
Eficiência de Saída Antecipada: Ao ajustar o limiar de saída ( $\tau$ ), o sistema pode economizar até 21,2% dos FLOPs enquanto mantém o mAP, com uma parte significativa dos candidatos de fundo saindo antecipadamente.
Generalização entre Sensores: Quando um EMA-Det treinado em EO foi aplicado zero-shot a dados térmicos-IR (benchmark Anti-UAV410), a precisão permaneceu alta (~95%), mas o recall caiu para 80–86% e o mAP para ~39–52%. No entanto, treinar o EMA-Det do zero em dados térmicos alcançou 89,52% mAP@0.5 e 91,64% de recall, confirmando que a lacuna de desempenho se deve ao deslocamento de domínio (domain shift) e não a limitações arquitetônicas.
Viabilidade de Hardware: O Bloco 1 sintetizado no Zynq-7020 (usando quantização de ponto fixo de 16 bits) utilizou 65% do orçamento de DSP e 26% de LUTs, alcançando uma latência de ~365 µs/imagem. O unrolling total de blocos mais profundos foi considerado inviável devido às restrições de DSP, necessitando de arrays MAC de multiplexação temporal para a rede completa.

Significância e Alegações
O artigo afirma que o EMA-Det representa uma mudança na filosofia de design para detecção de UAV em borda:

Reorientação de Métrica: Argumenta que, para o estágio de verificação de um sistema de dois estágios, o recall é o alvo de otimização crítico, não o mAP. Otimizar para mAP pode levar a falhas no nível do sistema.
Arquitetura Consciente de Hardware: Demonstra que arquiteturas rasas, amigáveis ao streaming, com convoluções padrão são mais adequadas para implantação em borda via FPGA do que backbones mais profundos e otimizados para FLOPs, que sofrem com gargalos de largura de banda de memória.
Rigor Metodológico: Os autores enfatizam a importância da deduplicação ao nível de fonte e fronteiras estritas de treino/teste na pesquisa de detecção de UAV para evitar vazamento de dados e superestimação de desempenho.
Quantificação de Deslocamento de Domínio: O estudo fornece uma base quantitativa para o deslocamento de domínio EO-para-térmico, mostrando que, embora a transferência zero-shot seja imperfeita, a arquitetura é capaz de alto desempenho quando treinada na modalidade alvo.

Os autores concluem que, embora o mapeamento completo para FPGA dos Blocos 2–6 permaneça como trabalho futuro, a implementação verificada do Bloco 1 e o design algorítmico fundamentam a viabilidade do EMA-Det para verificação em borda com recursos limitados.

Mais como este