Pesquisadores lançam o dataset AVID: em 68,1% dos alvos, o lado da caixa tem apenas 8–16 pixels

Pesquisadores do Georgia Institute of Technology, do ARTPARK, ligado ao Indian Institute of Science, e do Ramaiah Institute of Technology apresentaram o AVID, um dataset com um conjunto de testes de robustez para a detecção de alvos aéreos muito pequenos. O conjunto reúne 32 040 pares de quadros extraídos de 115 vídeos. Câmeras terrestres de luz visível (RGB) e infravermelhas (IR) filmam a mesma cena, com pássaros e drones em quadro.

Para os 35 952 alvos anotados, os autores calcularam a média geométrica da largura e da altura da caixa delimitadora: em 68,1% deles, o valor é de apenas 8–16 pixels. Além disso, as câmeras enxergam a cena de ângulos ligeiramente diferentes, e em 16,3% dos 264 pares verificados o deslocamento entre RGB e IR é maior que o lado mediano do alvo.

O que há no conjunto

As imagens vêm do Drone Detection Dataset, compilado por Svanström e colegas. Os pares "pássaro–drone" foram selecionados para o IEEE ICIP 2025 Video and Image Processing Cup. A plataforma da competição para reconhecimento de carga de drones não entrou no AVID.

A anotação inclui 35 952 objetos: 15 471 pássaros e 20 481 drones. As caixas e as classes foram herdadas dos organizadores da competição. A parte de treino contém 28 790 pares de 102 vídeos, e a de validação, 3 250 pares de outros 13 vídeos. No total, o conjunto tem 76 vídeos com drones e 39 com pássaros. Cada clipe tem de 50 a 329 pares de quadros, com mediana de 306 e média de 278,6. Os identificadores dos vídeos permitem montar a validação de modo que quadros vizinhos de um mesmo clipe não apareçam ao mesmo tempo no treino e no teste.

Os autores fazem uma ressalva importante: um par RGB e IR significa que os quadros correspondem à mesma cena, mas não estão alinhados pixel a pixel. As câmeras têm ópticas diferentes, então o alvo pode aparecer em coordenadas distintas. Esse desalinhamento não é tratado como ruído aleatório: ele faz parte das condições de avaliação.

Alvos minúsculos e deslocamento entre câmeras

Pelo critério do COCO para objetos pequenos, 99,0% dos alvos entram nessa categoria. Como a distribuição é homogênea demais, os autores analisam os tamanhos em intervalos mais finos: a faixa de 8–16 pixels inclui 24 489 anotações.

Para medir o deslocamento entre as câmeras, o trabalho introduz duas ferramentas: a razão relativa de alinhamento e a "curva de carga de desalinhamento". Ambas medem o deslocamento em lados do alvo, e não em pixels. Um deslocamento de cinco pixels quase não afeta um objeto grande, mas é enorme para um alvo com dez pixels de largura. Em uma amostra de 300 pares, 32,3% têm translação global estimada acima de 5 pixels. Entre os 264 pares com anotações correspondentes, 16,3% apresentam deslocamento maior que um lado mediano do alvo.

Teste de perturbações e análise de separabilidade

A segunda parte do trabalho é um teste controlado de distorções. Ele simula sete famílias de degradação de imagem em cinco níveis de intensidade, entre elas ruído, desfoque, mudança de iluminação e instabilidade da câmera. As perturbações podem ser aplicadas só ao RGB, só ao IR ou aos dois canais ao mesmo tempo, de modo que o sensor afetado se torna uma variável explícita do experimento. Os autores não consideram que a intensidade nominal da perturbação equivale à dificuldade real da tarefa para o detector.

Há ainda uma análise em um espaço de atributos fixo e de baixa dimensão. Ela mostra como o tamanho do alvo, as distorções e os deslocamentos adicionados entre as modalidades afetam a sobreposição das classes "pássaro" e "drone". A métrica é o limite de erro de Bhattacharyya: quanto menor o valor, melhor a separação entre as classes. Para alvos de 12–16 pixels, ele é de 0,148 no RGB, 0,198 no IR e 0,046 nos atributos combinados. A fusão dos sensores reduz de forma expressiva a sobreposição, embora, isoladamente, o IR fique atrás do RGB nesse caso.

Esses valores descrevem a separabilidade nos atributos e nos modelos de densidade escolhidos, e não a acurácia de um detector treinado. A análise também depende das posições anotadas dos alvos.

Os autores propõem usar o AVID em pesquisas que levem em conta escala, alinhamento e as particularidades de cada sensor. Segundo eles, o conjunto ajuda a entender em quais condições a fusão de RGB e IR traz ganho e em quais perde o sentido. O preprint foi publicado no arXiv, na seção cs.CV.