DyMC-YOLO: Cómo la fusión de doble flujo impulsa la detección en tiempo real a 46 FPS

La detección de objetos es un pilar fundamental de la percepción visual inteligente. Impulsa avances críticos en la conducción autónoma, la vigilancia de seguridad y la agricultura de precisión. Sin embargo, los detectores tradicionales del espectro visible suelen fallar en condiciones adversas como baja iluminación, reflejos o oclusiones pesadas. Los investigadores han presentado DyMC-YOLO, un nuevo detector de doble flujo que fusiona datos RGB e infrarrojos para mejorar el rendimiento en diversos entornos.

DyMC-YOLO se basa en la arquitectura YOLOv13, elegida por su equilibrio entre precisión y eficiencia en tiempo real. El sistema utiliza ramas de base simétricas pero con parámetros independientes para las entradas RGB e infrarrojas. Una innovación clave es el módulo de Fusión de Características Guiada por Máscaras Complementarias. Este módulo realiza un peso espacial que preserva los canales en tres niveles semánticos. A diferencia de métodos anteriores que duplican el ancho de las características o requieren proyecciones complejas, este módulo genera una sola máscara espacial complementaria. La máscara ajusta de forma adaptativa el peso de cada modalidad según el contenido de la imagen.

Este enfoque conserva rutas directas de transmisión de características mediante mapeos de identidad en los bloques de etapa tardía. El modelo también introduce la Cabeza de Detección Dinámica Multi-Path. Este componente reemplaza las estructuras de predicción fijas con bloques de enrutamiento dinámico específicos para cada tarea. Para cada muestra, la cabeza agrega rutas de predicción de corto, medio y largo alcance utilizando coeficientes condicionados por la muestra. Esto permite que la red ajuste dinámicamente su campo receptivo para tareas de regresión y clasificación. Mejora la localización y la comprensión del contexto sin aumentar significativamente la latencia computacional.

Las evaluaciones en el conjunto de datos de tráfico M3FD y en un conjunto de datos propio de uvas RGB-NIR demostraron compensaciones superiores entre precisión y eficiencia. En M3FD, el modelo alcanzó una Precisión Media Promedio (mAP) del 51.73 %. Superó a otros métodos ligeros de fusión basados en YOLO mientras mantenía una huella compacta de aproximadamente 8 millones de parámetros. En el conjunto de datos agrícola de uvas, logró un 83.06 % de mAP, lo que demuestra robustez en escenas con mucho desorden y poca luz.

El modelo mostró una fuerte resistencia al desajuste entre modalidades cruzadas y a escenarios donde falta una modalidad. Mantuvo una alta precisión de detección absoluta incluso bajo perturbaciones controladas. Con una velocidad de inferencia de casi 46 FPS y un bajo consumo de memoria, DyMC-YOLO presenta una solución viable para su implementación en el borde de la red en unidades de procesamiento neuronal. Al combinar eficazmente la fusión jerárquica de características con rutas de predicción dinámicas, esta arquitectura establece un nuevo estándar para la detección multimodal de objetos en tiempo real y confiable en condiciones visuales desafiantes.