Resource-Aware Small-UAV Perception under Annotation and Compute Constraints

Resumo Técnico: Percepção de Pequenos UAVs Consciente de Recursos sob Restrições de Anotação e Computação

Definição do Problema
A detecção de pequenos veículos aéreos não tripulados (UAVs) enfrenta uma dupla restrição de recursos: poder computacional limitado durante a inferência (frequent de dispositivos de borda ou CPUs) e disponibilidade limitada de dados anotados (cold starts de domínios específicos). Embora os benchmarks de detecção de objetos e famílias de modelos existentes (ex: YOLO) ofereçam arquiteturas robustas, eles não abordam inerentemente as trocas específicas exigidas para minúsculos UAVs, que ocupam poucos pixels e são suscetíveis ao ruído de fundo. Além disso, as avaliações padrão frequentemente ignoram a interação entre a computação em tempo de inferência e a eficiência do aprendizado a partir de anotações esparsas. Este estudo aborda como alocar esses recursos limitados — computação e anotação — de forma mais deliberada para melhorar o desempenho da detecção sem depender de pré-treinamento adicional no domínio de UAV ou dados externos.

Metodologia
O estudo utiliza um framework de avaliação controlado usando o subconjunto de detecção de luz visível do benchmark DUT-Anti-UAV. A metodologia é dividida em três componentes primários:

1. Estabelecimento de Baseline: Os autores estabeleceram primeiro baselines comparando escalas de detectores (YOLOv8n, s, m; YOLOv9; YOLO11) e resoluções de entrada (320 a 640) sob um protocolo de "cold start de domínio específico". Este protocolo inicializa os modelos com pesos pré-treinados públicos genéricos e os ajusta (fine-tuning) exclusivamente no split do DUT-Anti-UAV, sem pré-treinamento adicional específico para UAV.
2. Inferência Adaptativa Guiada por Confiança: Para abordar as restrições de computação, o estudo implementa uma cascata de dois estágios. Um detector leve (YOLOv8n) processa todas as imagens. Imagens com pontuações de confiança baixas ($q_j < \eta$) são roteadas para um verificador maior (YOLOv8m). Este "roteamento guiado por confiança" é rigorosamente comparado contra um controle de "roteamento aleatório", onde a mesma fração de imagens é roteada para o modelo maior sem usar as pontuações de confiança, para isolar o benefício da seleção de amostras do benefício do aumento do volume de computação.
3. Replay de Exemplos Difíceis Ranqueados por Dificuldade: Para abordar as restrições de anotação, o estudo avalia estratégias de treinamento sob orçamentos de rótulos reduzidos (10%, 25%, 50%). Após o treinamento supervisionado inicial, uma estratégia de "replay ranqueado por dificuldade" é aplicada. As imagens são pontuadas com base em objetos perdidos, erro de localização, baixa confiança correspondida, exposição a alvos minúsculos e pressão de falsos positivos. Essas pontuações determinam a multiplicidade de replay (1x, 2x ou 3x cópias) durante uma fase de treinamento adicional curta. Isso é comparado contra a "continuação simples" (mais treinamento nos mesmos dados) e o "replay uniforme pareado por computação" (replay aleatório de dados com o mesmo número total de amostras).

Principais Contribuições
O artigo apresenta três contribuições específicas:

• Computação Adaptativa Guiada por Confiança: Fornece um método para rotear imagens incertas para modelos mais pesados, validado contra um controle de roteamento aleatório correspondente para provar que os ganhos derivam da seleção inteligente de amostras, e não do mero aumento de computação.
• Replay de Exemplos Difíceis Ranqueados por Dificuldade: Avalia um ranqueamento heurístico de dificuldade para o replay de dados rotulados, demonstrando sua utilidade específica na melhoria do recall de alvos minúsculos sob orçamentos de rótulos moderados (50%), distinguindo este efeito de ganhos gerais devido ao aumento do volume de treinamento.
• Avaliação Integrada Consciente de Recursos: Fornece um framework que considera conjuntamente a escala do detector, resolução de entrada, orçamento de anotação, tamanho do alvo e incerteza estatística, em vez de tratar estes como variáveis isoladas.

Resultos

• Detector e Resolução: A resolução de entrada teve um impacto mais significativo no desempenho do que a mudança de famílias de detectores em baixas resoluções. Com o tamanho de entrada de 640, o YOLOv8s alcançou o mAP50 observado mais alto de 0.9052.
• Inferência Adaptativa: Em uma resolução de entrada de 416 com uma taxa de roteamento de 35,68%, o roteamento guiado por confiança aumentou o F1 score de 0.8132 (YOLOv8n sozinho) para 0.8446. Isso superou o roteamento aleatório na mesma taxa (F1 0.8237), confirmando o valor da seleção baseada em confiança. O throughput da cascata analítica foi estimado em 16.00 FPS em uma CPU.
• Anotação Limitada: Sob uma configuração de 50% de rótulos, o replay ranqueado por dificuldade proporcionou uma melhoria moderada sobre o replay uniforme pareado por computação, aumentando o mAP50 de 0.7575 para 0.7621 e o recall de alvos minúsculos de 0.5730 para 0.5861. Este benefício não foi estável em orçamentos de rótulos mais baixos (10% ou 25%), sugerindo que a estratégia requer uma representação inicial suficientemente estável para ser eficaz.
• Robustez e Incerteza: O escalonamento do modelo (n para s para m) proporcionou os maiores ganhos para alvos minúsculos e pequenos. Os modelos retiveram aproximadamente 96,5% de seu mAP50 em imagens limpas sob corrupções sintéticas, sendo o ruído Gaussiano e a sobreexposição as condições mais desafiadoras. A análise de bootstrap indicou que, embora modelos maiores tenham performado melhor, as diferenças estavam frequentemente dentro das faixas de incerteza estatística, apoiando a visão de que a escolha do detector é um trade-off prático.

Significância e Alegações
O artigo afirma que as restrições de recursos devem ser tratadas como parte intrínseca do problema de percepção, e não como limitações externas. Os resultados apoiam uma estratégia de alocação de recursos focada no detector:

1. Resolução e Capacidade: A resolução de entrada e a capacidade do modelo devem ser selecionadas conjuntamente com a distribuição de tamanho do alvo.
2. Alocação de Inferência: O roteamento guiado por confiança aloca efetivamente a computação de inferência, recuperando o recall em quadros difíceis sem o custo de rodar modelos pesados em cada quadro.
3. Alocação de Treinamento: O replay ranqueado por dificuldade oferece uma maneira direcionada de utilizar anotações limitadas, especificamente melhorando o recall para alvos minúsculos uma vez que o detector aprendeu uma representação estável.

Os autores observam explicitamente que as figuras de throughput são estimativas analíticas baseadas em tempos de CPU isolados e que o ramo VLM (Modelo de Visão-Linguagem) foi usado apenas como um diagnóstico de limites de aplicabilidade, não como um driver primário de desempenho. O estudo conclui que seus achados são limitados pelo dataset único utilizado, pela natureza de avaliação de imagens registradas e pela falta de medições de implementação de hardware de ponta a ponta.