Un grupo de investigadores del Centro de Investigación en Ingeniería Óptica Espacial del Instituto de Tecnología de Harbin desarrolló una nueva arquitectura de inteligencia artificial denominada DEDM-Net (Diffusion-Enhanced Dense Mamba Network). El avance, publicado en la revista Journal of Remote Sensing, resuelve uno de los problemas más persistentes en el procesamiento de imágenes de sensores remotos: la identificación precisa de objetivos infrarrojos pequeños que suelen quedar ocultos por el entorno.
Esta tecnología encuentra utilidad directa en campos operativos críticos, como la detección temprana de incendios forestales, el monitoreo en sistemas de vigilancia y la evaluación de amenazas militares, escenarios donde un fallo de detección o un falso aviso pueden acarrear consecuencias severas.
El desafío de identificar objetos diminutos en imágenes complejas
La detección de objetivos infrarrojos de pequeño tamaño presenta complicaciones técnicas severas. Por lo general, estos elementos ocupan menos de 81 píxeles (con dimensiones habitualmente inferiores a 9×9) y exhiben niveles de energía muy bajos, acompañados por una relación señal-ruido cercana a 3. Además, carecen de formas o texturas marcadas, por lo que suelen quedar mimetizados con el fondo de la imagen.
Los métodos de aprendizaje profundo tradicionales han intentado mitigar este problema, pero la mayoría centró su atención únicamente en los rasgos del objetivo, dejando de lado la información del fondo. Dado que el trasfondo abarca casi la totalidad de la imagen, esa omisión generaba un fuerte desequilibrio entre las muestras positivas y negativas, dificultando la extracción de características útiles.
La arquitectura de DEDM-Net
Para solucionar esta limitación, el equipo diseñó un sistema estructurado en dos etapas que procesa en paralelo tanto al objetivo como al entorno que lo rodea:
- Primera etapa: Utiliza un modelo de difusión de doble vía con un módulo de procesamiento a ciegas. Este mecanismo predice la información de cada píxel utilizando de forma exclusiva el contexto circundante (con un radio exterior R=4 e interior r=2), lo que evita que los objetivos muy pequeños sean clasificados erróneamente como parte del fondo.
- Segunda etapa: Integra una arquitectura Mamba densa y anidada basada en el modelo de espacio de estados (SSM). Esta red capta relaciones a larga distancia entre datos globales y locales con una complejidad computacional lineal, ofreciendo una ventaja operativa considerable en comparación con las redes Transformer convencionales.
- Fusión entre etapas: Un módulo específico combina los resultados obtenidos en ambas fases para perfeccionar el trazado y la delimitación de los contornos.
Rendimiento y pruebas en conjuntos de datos
El desempeño de DEDM-Net fue evaluado frente a 11 métodos de vanguardia utilizando tres bases de datos públicas: NUAA-SIRST (427 imágenes), NUDT-SIRST (1.327 imágenes de 256×256) e IRSTD-1k (1.000 imágenes de 512×512).
En las pruebas sobre el conjunto NUDT-SIRST, el modelo alcanzó un 93,40 % en la métrica IoU (Intersección sobre Unión), un 93,28 % en nIoU, una probabilidad de detección del 98,37 % y una tasa de falsas alarmas reducida a 3,75×10⁻⁶, superando las marcas de modelos de referencia como DNA-Net e ISTDU-Net. En tanto, en el conjunto IRSTD-1k, logró un 73,71 % de IoU y una probabilidad de detección del 93,89 %, registrando un nivel de falsas alarmas de 11,10×10⁻⁶.