Cross-Prior Reliability Fusion for Traffic Salient Object Boundary Detection in Autonomous Driving

Resumo Técnico: Fusão de Confiabilidade de Prioridade Cruzada para Detecção de Limites de Objetos Salientes no Tráfego

Definição do Problema
A Detecção de Objetos Salientes de Tráfego (TSOD) na condução autónoma requer uma dupla capacidade: identificar regiões completas de objetos (ex: veículos, peões) e alcançar uma localização de contorno precisa. As abordagens existentes enfrentam um conflito fundamental de confiabilidade espacial. Os modelos de predição de regiões semânticas (ex: DeepLabV3) são excelentes na captura de interiores de objetos completos e na supressão de estruturas de fundo irrelevantes, mas frequentemente produzem limites excessivamente suavizados e ambíguos. Por outro lado, os modelos de limites de alta resolução (ex: ResNet50-FPN) preservam detalhes estruturais finos, mas são propensos a falsos positivos desencadeados por estruturas visuais não pretendidas, tais como marcações de vias, reflexos e arestas de textura.

As estratégias de fusão tradicionais de ponta a ponta dependem frequentemente da otimização conjunta de representações de características, o que pode exigir muitos dados e pode enviesar os modelos para informações de regiões densas em detrimento de píxeis de limites esparsos. Além disso, os pesos de fusão fixos não conseguem adaptar-se à variabilidade da confiabilidade das predições em diferentes localizações espaciais dentro de ambientes rodoviários complexos.

Metodologia: Fusão de Confiabilidade de Prioridade Cruzada (CPRF)
Os autores propõem a Fusão de Confiabilidade de Prioridade Cruzada (CPRF), um framework de eficiência de parâmetros que reformula a detecção de limites como um problema de calibração de confiabilidade ao nível da predição, em vez de um problema de design de rede. A filosofia central é aproveitar prioridades complementares de modelos congelados e aprender correções espaciais leves.

1. Extração de Prioridade Complementar Congelada:
   A CPRF utiliza dois extratores pré-treinados e congelados:

   • Um Extrator de Prioridade Semântica (DeepLabV3-ResNet50) para gerar logits de região ($M_s$).
   • Um Extrator de Prioridade de Limite (ResNet50-FPN) para gerar logits de região ($M_c$) e de limite ($E_c$).
     Durante o treino, os parâmetros destes modelos base ($\theta_S, \theta_C$) permanecem congelados; apenas os módulos de calibração são atualizados.

2. Construção de Evidência de Confiabilidade:
   Para determinar qual fonte de predição é mais confiável em localizações espaciais específicas, a CPRF constrói três tipos de evidência:

   • Gradiente Semântico ($G_s$): Derivado do pooling de máximo/mínimo de probabilidades semânticas para identificar regiões de transição.
   • Proxy de Incerteza Normalizada ($U_s$): Calculado como $4P_s(1-P_s)$ para identificar regiões onde a predição semântica é ambígua (próxima de 0,5 de probabilidade).
   • Consistência de Prioridade Cruzada ($A$): Um mapa exponencial da diferença absoluta entre as predições de região semântica e de limite, indicando concordância ou discordância entre as duas prioridades.

3. Calibração de Confiabilidade Espacial:

   • Construção de Prioridade Fixa: Uma prioridade de limite inicial é criada através da fusão de pesos iguais dos logits semânticos e de limite para estabelecer uma base estável.
   • Calibração de Limite: Um calibrador leve ($C_e$) recebe a prioridade fixa e a evidência de confiabilidade como entrada para prever resíduos espaciais limitados. O output é restringido por uma função tanh para evitar desvios excessivos do resultado da fusão fixa.
   • Calibração de Máscara: Uma via auxiliar ($C_m$) garante que a completude da região seja preservada durante o refinamento do limite, utilizando restrições de consistência e otimização baseada em distância.

4. Objetivo de Treino:
   O framework otimiza uma função de perda de múltiplos termos que compreende:

   • Perdas de Máscara e de Aresta (BCE e Dice) para precisão de região e de limite.
   • Perda de Consistência ($L_{cons}$) para alinhar os gradientes espaciais da máscara calibrada e do limite.
   • Perda de Distância ($L_{dist}$) para penalizar respostas de limite distantes dos contornos da verdade fundamental (ground-truth).

Principais Contribuições

1. Reformulação do Problema: O trabalho desloca o foco do design de novas arquiteturas de ponta a ponta para o tratamento da TSOD como um problema de calibração de confiabilidade espacial entre prioridades semânticas e de limite complementares.
2. Framework de Eficiência de Parâmetros: A CPRF introduz um mecanismo de calibração que otimiza apenas 7.754 parâmetros (0,0119% do total de 65,41M de parâmetros) enquanto mantém os extratores de prioridade visual subjacentes congelados. Isto preserva os vieses indutivos de modelos pré-treinados e mitiga o esquecimento catastrófico.
3. Mecanismo de Calibração Acoplado: O design inclui uma via de calibração de máscara acoplada que otimiza conjuntamente a completude da região do objeto e a localização do contorno, evitando o compromisso onde o afunilamento do limite degrada a integridade da região.
4. Evidência Espacialmente Consciente: Ao contrário da calibração de confiança global, a CPRF aprende estratégias de calibração local condicionadas à imagem usando gradientes semânticos, proxies de incerteza e consistência de prioridade cruzada para ajustar adaptativamente a confiabilidade da predição.

Resultados Experimentais
Os experimentos foram realizados no conjunto de dados TSOD10K (9.897 imagens de treino, 1.100 de validação, 2.756 de teste).

• Desempenho: A CPRF alcançou uma Escala de Conjunto Ótima (ODS) de 0,5437, uma Escala de Imagem Ótima (OIS) de 0,5804 e uma Precisão Média (AP) de 0,4988.
• Melhoria: Estes resultados representam melhorias sobre a linha de base de fusão de pesos iguais de +0,0085 (ODS), +0,0066 (OIS) e +0,0029 (AP).
• Estabilidade: O desempenho manteve-se consistente através de três sementes aleatórias (48, 49, 50), com desvios padrão tão baixos quanto 0,0004 para OIS.
• Eficiência de Dados: O modelo alcançou ganhos significativos mesmo quando treinado com apenas 25% dos dados de calibração, demonstrando que as melhorias advêm do mecanismo de calibração e não de um retreino em larga escala.
• Complexidade: Embora o número total de parâmetros seja 65,40M (devido aos backbones congelados), a razão de parâmetros treináveis é extremamente baixa (0,0119%). A velocidade de inferência foi medida em 40,15 FPS numa NVIDIA RTX 3080 Ti.

Significância e Alegações
O artigo afirma que o principal desafio na detecção de limites de objetos salientes de tráfego não é meramente gerar respostas de aresta mais fortes, mas sim determinar a confiabilidade relativa de diferentes fontes de predição em diferentes localizações espaciais.

Os autores enfatizam que a CPRF não visa ser um modelo de implementação leve para sistemas embarcados, pois ainda requer o custo computacional de executar dois extratores de prioridade congelados durante a inferência. Em vez disso, a sua significância reside na adaptação eficiente de parâmetros: demonstra que uma calibração de limites de alta qualidade pode ser alcançada aprendendo um pequeno número de resíduos espaciais sobre as prioridades visuais existentes e congeladas. Esta abordagem permite a adaptação de tarefas em cenários com poucos dados sem o risco de degradação da representação associado ao retreino total do modelo. O trabalho sugere que a calibração de confiabilidade espacial é uma estratégia viável para melhorar a perceção da condução autónoma sem atualizar os extratores de características visuais subjacentes.