Robust Reliability for UAV Detection in Edge AI: A Data-Centric Framework via Structural–Semantic Curation, Maximin Selection, and Raspberry Pi Validation
Palabras clave:
Data-centric AI, UAV human detection, dataset curation, semantic auditing, perceptual hashing, edge AIResumen
Los sistemas de detección basados en vehículos aéreos no tripulados (UAV) que operan en condiciones reales presentan fallas ante cambios severos de dominio y degradación de escala, situaciones en las que las métricas promedio pueden ocultar vulnerabilidades críticas. Este trabajo plantea la hipótesis de que la optimización centrada en los datos, mediante la deduplicación estructural (pHash/DCT) y la auditoría semántica profesor-estudiante, mejora la robustez en el peor de los casos y la generalización entre dominios en detectores ligeros, sin incrementar la complejidad del modelo y respetando las restricciones de la inteligencia artificial en el borde (Edge AI). Se propone un marco de Inteligencia Artificial Centrada en los Datos (Data-Centric AI, DCAI) adaptado a Edge AI, que integra: (i) deduplicación perceptual mediante pHash para reducir la redundancia estructural; (ii) un esquema de auditoría profesor-estudiante que utiliza YOLO11x para controlar el ruido semántico y la consistencia geométrica; y (iii) un espacio de búsqueda formulado como un marco jerárquico de ablación basado en el Diseño de Experimentos (Design of Experiments, DoE), con configuraciones R0–R4, restricciones de recuperación mínima (minimum-recall gating) y selección multicriterio (Multi-Criteria Decision-Making, MCDM) bajo el criterio maximin de Wald. Los resultados experimentales muestran mejoras limitadas en las métricas promedio (aproximadamente del 1 %), pero ganancias consistentes en escenarios de falla, que alcanzan hasta un +5.95 % en precisión y un +1.36 % en recuperación en el peor de los casos. El análisis mediante modelos lineales generales (GLM) y análisis de varianza (ANOVA) demuestra que el conjunto de datos y el escenario dominan la variabilidad del rendimiento (\(\eta_p^2 \approx 0.96–0.99\)), mientras que los efectos de la semilla aleatoria no son estadísticamente significativos (\(p > 0.05\)), lo que confirma la estabilidad y reproducibilidad de los resultados. La validación en una Raspberry Pi 5 mediante NCNN demuestra la viabilidad del despliegue en dispositivos de borde, manteniendo una precisión superior a 0.94 y una recuperación superior a 0.90 a distancias de entre 5 y 25 m bajo condiciones de degradación controlada. La contribución principal radica en la integración sistemática de un modelo DCAI dentro de un marco jerárquico de DoE, evaluado mediante un criterio maximin de MCDM. Este enfoque permite atribuir causalmente las mejoras de rendimiento al diseño de los datos, en lugar de a la arquitectura del modelo, bajo restricciones reales de Edge AI para aplicaciones con UAV.Citas
Akshatha, K. R., Karunakar, A. K., Shenoy, S. B., Phani Pavan, K., Dhareshwar, C. V., & Johnson, D. G. (2023). Manipal-UAV person detection dataset: A step towards benchmarking dataset and algorithms for small object detection. ISPRS Journal of Photogrammetry and Remote Sensing, 195, 77–89. DOI: 10.1016/j.isprsjprs.2022.11.008. ScienceDirect
Ben-Tal, A., El Ghaoui, L., & Nemirovski, A. (2009). Robust optimization. Princeton University Press. DOI: 10.1515/9781400831050. De Gruyter Brill
Bhusnoor, M., Patel, J., Mehta, A., Sainkar, S., Patel, D., & Mehendale, N. (2023). Investigating the impact of distance on object detection accuracy in unmanned aerial vehicle systems using MobileNetV3. TechRxiv. DOI: 10.36227/techrxiv.24155598.v1. d197for5662m48.cloudfront.net
Bochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. (2020). YOLOv4: Optimal speed and accuracy of object detection. arXiv. DOI: 10.48550/arXiv.2004.10934. arXiv
Cheng, G., Ding, Q., Cai, B., Dang, C., Wang, Y., Zuo, X., & Shao, Z. (2024). CSSDet: Small object detection via cross-scale feature enhancement on drone-view images. International Journal of Digital Earth, 17(1), 2414848. DOI: 10.1080/17538947.2024.2414848. Taylor & Francis Online
Feurer, M., Eggensperger, K., Falkner, S., Lindauer, M., & Hutter, F. (2022). Auto-Sklearn 2.0: Hands-free AutoML via meta-learning. Journal of Machine Learning Research, 23(261), 1–61. jmlr.org
Fontana, R., Molena, A., Pegoraro, L., & Salmaso, L. (2023). Design of experiments and machine learning with application to industrial experiments. Statistical Papers, 64(4), 1251–1274. DOI: 10.1007/s00362-023-01437-w. Springer Nature Link
Gulrajani, I., & Lopez-Paz, D. (2021). In search of lost domain generalization. International Conference on Learning Representations. ML Anthology
Hao, Y., Pei, H., Lyu, Y., Yuan, Z., Rizzo, J.-R., Wang, Y., & Fang, Y. (2023). Understanding the impact of image quality and distance of objects to object detection performance. In 2023 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) (pp. 11436–11442). IEEE. DOI: 10.1109/IROS55552.2023.10342139. IEEE Xplore
Hashimoto, T. B., Srivastava, M., Namkoong, H., & Liang, P. (2018). Fairness without demographics in repeated loss minimization. In Proceedings of the 35th International Conference on Machine Learning (Vol. 80, pp. 1929–1938). PMLR. Proceedings of Machine Learning Research
Hegiste, V., Walunj, S., Antony, J., Legler, T., & Ruskowski, M. (2024). Enhancing object detection with hybrid dataset in manufacturing environments: Comparing federated learning to conventional techniques. arXiv. DOI: 10.48550/arXiv.2408.08974. arXiv
Jegham, N., Koh, C. Y., Abdelatti, M., & Hendawi, A. (2024). Evaluating the evolution of YOLO (You Only Look Once) models: A comprehensive benchmark study of YOLO11 and its predecessors. arXiv. DOI: 10.48550/arXiv.2411.00201. arXiv
Karczmarczyk, A., Wątróbski, J., Bączkiewicz, A., Mróz-Malik, O., & Drożdż, W. (2025). New robust multi-criteria decision-making method for wind farm location problems. Applied Energy, 398, 126401. DOI: 10.1016/j.apenergy.2025.126401. DOI
Khanam, R., & Hussain, M. (2024). YOLOv11: An overview of the key architectural enhancements. arXiv. DOI: 10.48550/arXiv.2410.17725. DOI
Lai, K.-T., Chung, Y.-T., Su, J.-J., Lai, C.-H., & Huang, Y.-H. (2023). AI Wings: An AIoT drone system for commanding ArduPilot UAVs. IEEE Systems Journal, 17(2), 2213–2224. DOI: 10.1109/JSYST.2022.3189011. OpenReview
Li, L., Lu, J., Zhang, S., Mohaisen, L., & Emam, M. (2023). Frame duplication forgery detection in surveillance video sequences using textural features. Electronics, 12(22), 4597. DOI: 10.3390/electronics12224597. MDPI
Lin, T.-Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollár, P., & Zitnick, C. L. (2014). Microsoft COCO: Common objects in context. In D. Fleet, T. Pajdla, B. Schiele, & T. Tuytelaars (Eds.), Computer vision – ECCV 2014 (Lecture Notes in Computer Science, Vol. 8693, pp. 740–755). Springer. DOI: 10.1007/978-3-319-10602-1_48. DOI
Northcutt, C. G., Jiang, L., & Chuang, I. L. (2021). Confident learning: Estimating uncertainty in dataset labels. Journal of Artificial Intelligence Research, 70, 1373–1411. DOI: 10.1613/JAIR.1.12125. Google Research
Oala, L., Maskey, M., Bat-Leah, L., Parrish, A., Gürel, N. M., Kuo, T.-S., Liu, Y., Dror, R., Brajovic, D., Yao, X., Bartolo, M., Gaviria Rojas, W. A., Hileman, R., Aliment, R., Mahoney, M. W., Risdal, M., Lease, M., Samek, W., Dutta, D., … Mattson, P. (2023). DMLR: Data-centric machine learning research—Past, present and future. arXiv. DOI: 10.48550/arXiv.2311.13028. Portal de Investigación Eindhoven
Rey, L., Bernardos, A. M., Dobrzycki, A. D., Carramiñana, D., Bergesio, L., Besada, J. A., & Casar, J. R. (2025). A performance analysis of You Only Look Once models for deployment on constrained computational edge devices in drone applications. Electronics, 14(3), 638. DOI: 10.3390/electronics14030638. MDPI
Sheikholeslami, S., Meister, M., Wang, T., Payberah, A. H., Vlassov, V., & Dowling, J. (2021). AutoAblation: Automated parallel ablation studies for deep learning. In The 1st Workshop on Machine Learning and Systems (EuroMLSys ’21). Association for Computing Machinery. DOI: 10.1145/3437984.3458834. DC@KTH
Taiana, M., Nascimento, J. C., & Bernardino, A. (2013). An improved labelling for the INRIA person data set for pedestrian detection. In Pattern recognition and image analysis: IbPRIA 2013 (pp. 286–295). Springer. DOI: 10.1007/978-3-642-38628-2_34. DBLP
Tan, L., Zhang, C., Bai, H., Liu, Z., & Li, Y. (2025). A real-time and efficient detector for small object in UAV aerial images. Scientific Reports, 15, 39233. DOI: 10.1038/s41598-025-22855-w. Nature
Tanaka, D., Ikami, D., Yamasaki, T., & Aizawa, K. (2018). Joint optimization framework for learning with noisy labels. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 5552–5560). IEEE. DOI: 10.1109/CVPR.2018.00582. Open Access
Triantaphyllou, E., Shu, B., Sanchez, S. N., & Ray, T. (1998). Multi-criteria decision making: An operations research approach. In J. G. Webster (Ed.), Encyclopedia of electrical and electronics engineering (Vol. 15, pp. 175–186). John Wiley & Sons. Bit CSC LSU
Zauner, C. (2010). Implementation and benchmarking of perceptual image hash functions [Master’s thesis, Upper Austria University of Applied Sciences, Hagenberg Campus]. Christoph Zauner's Blog
Zha, D., Bhat, Z. P., Lai, K.-H., Yang, F., & Hu, X. (2023). Data-centric AI: Perspectives and challenges. In Proceedings of the 2023 SIAM International Conference on Data Mining (pp. 945–948). Society for Industrial and Applied Mathematics. DOI: 10.1137/1.9781611977653.ch106. SIAM
Zhang, G., Peng, Y., & Li, J. (2025). YOLO-MARS: An enhanced YOLOv8n for small object detection in UAV aerial imagery. Sensors, 25(8), 2534. DOI: 10.3390/s25082534. PubMed
Zhu, P., Wen, L., Du, D., Bian, X., Fan, H., Hu, Q., & Ling, H. (2022). Detection and tracking meet drones challenge. IEEE Transactions on Pattern Analysis and Machine Intelligence, 44(11), 7380–7399. DOI: 10.1109/TPAMI.2021.3119563.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 ReCIBE, Revista electrónica de Computación, Informática, Biomédica y Electrónica
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
