Investigadores publican el dataset AVID: en el 68,1% de los objetivos, el lado del recuadro mide solo 8–16 píxeles

Investigadores del Georgia Institute of Technology, ARTPARK (en el Indian Institute of Science) y el Ramaiah Institute of Technology han presentado AVID, un dataset y un conjunto de pruebas de robustez para la detección de objetivos aéreos muy pequeños. El conjunto contiene 32 040 pares de imágenes extraídas de 115 vídeos: cámaras terrestres de espectro visible (RGB) e infrarrojas (IR) graban la misma escena, en la que aparecen aves y drones. Para los 35 952 objetivos etiquetados, los autores calcularon la media geométrica del ancho y el alto del recuadro: en el 68,1% de los objetivos es de solo 8–16 píxeles.

Además, las cámaras no enfocan la escena exactamente igual, y en el 16,3% de los 264 pares verificados el desplazamiento entre RGB e IR es mayor que el lado mediano del objetivo.

Qué contiene el conjunto

Las grabaciones proceden del Drone Detection Dataset, creado por Svanström y sus colegas. Los pares «ave—dron» se seleccionaron para el concurso IEEE ICIP 2025 Video and Image Processing Cup. La plataforma del concurso para identificar la carga de un dron no se incluyó en AVID.

Las anotaciones comprenden 35 952 objetos: 15 471 aves y 20 481 drones. Los recuadros y las clases proceden de los organizadores del concurso. La parte de entrenamiento contiene 28 790 pares de 102 vídeos; la de validación, 3 250 pares de otros 13 vídeos. En total, el conjunto incluye 76 vídeos con drones y 39 con aves. Cada clip tiene entre 50 y 329 pares de imágenes, con una mediana de 306 y una media de 278,6. Los identificadores de vídeo permiten diseñar la validación de modo que fotogramas contiguos de un mismo clip no acaben a la vez en entrenamiento y en test.

Los autores hacen una salvedad importante: que un par sea RGB e IR significa que las imágenes se corresponden por escena, pero no están alineadas píxel a píxel. Las cámaras tienen ópticas distintas, así que el objetivo puede aparecer en coordenadas diferentes. Esa desalineación no se trata como ruido aleatorio, sino que forma parte de las condiciones de evaluación.

Objetivos diminutos y desplazamiento entre cámaras

Según el criterio COCO para objetos pequeños, el 99,0% de los objetivos entra en esa categoría. Como la distribución es demasiado homogénea, los autores desglosan los tamaños en intervalos más finos: el rango de 8–16 píxeles incluye 24 489 anotaciones.

Para medir el desplazamiento entre cámaras se introducen dos herramientas: la relación de alineación relativa y la «curva de carga de desalineación». Ambas miden el desplazamiento en lados del objetivo, no en píxeles. Un desplazamiento de cinco píxeles apenas afecta a un objeto grande, pero para un objetivo de diez píxeles de ancho es enorme. En una muestra de 300 pares, en el 32,3% la traslación global estimada supera los 5 píxeles. Entre los 264 pares con anotaciones coincidentes, en el 16,3% el desplazamiento es mayor que un lado mediano del objetivo.

Prueba de perturbaciones y análisis de separabilidad

La segunda parte del trabajo es una prueba controlada de distorsiones. Simula siete familias de degradación de imagen en cinco niveles de intensidad, entre ellas ruido, desenfoque, cambios de iluminación e inestabilidad de la cámara. Las perturbaciones pueden aplicarse solo a RGB, solo a IR o a ambos canales a la vez, de modo que el sensor afectado se convierte en una variable explícita del experimento. Los autores no asumen que la intensidad nominal de la perturbación equivalga a la dificultad real de la tarea para el detector.

Además, se realizó un análisis en un espacio de características fijo y de baja dimensión. Muestra cómo influyen el tamaño del objetivo, las distorsiones y los desplazamientos añadidos entre modalidades en el solapamiento de las clases «ave» y «dron». La métrica es la cota de error de Bhattacharyya: cuanto menor es el valor, mejor se separan las clases. Con objetivos de 12–16 píxeles, vale 0,148 para RGB, 0,198 para IR y 0,046 para las características combinadas. La fusión de sensores reduce notablemente el solapamiento, aunque por separado el IR queda aquí por detrás del RGB.

Estos valores describen la separabilidad en las características y los modelos de densidad elegidos, no la precisión de un detector entrenado. El análisis también se apoya en las posiciones anotadas de los objetivos.

Los autores proponen usar AVID en investigaciones que tengan en cuenta la escala, la alineación y las particularidades de cada sensor. El dataset ayuda a entender en qué condiciones la fusión de RGB e IR aporta una ventaja y en cuáles pierde sentido. El preprint está publicado en arXiv, en la sección cs.CV.