La detecció d’objectius petits en imatges infraroges (IRSTD) és un desafiament tècnic de primera magnitud en aplicacions de vigilància, defensa i cerca i rescat. Els sensors infrarogos capturen signatures tèrmiques, però els objectes llunyans o de baixa emissivitat apareixen com a punts difusos sense vores definides ni textures apreciables. Tradicionalment, els sistemes d’aprenentatge profund requereixen supervisió a nivell de píxel (màscares) per segmentar aquests objectius, un procés costós i subjectiu. Fins i tot els anotadors experts discrepen en els contorns, cosa que introdueix soroll i incertesa en les dades d’entrenament.
Per reduir la càrrega d’anotació, han sorgit mètodes que utilitzen supervisió mitjançant caixes delimitadores (bounding boxes), molt més ràpides d’etiquetar. No obstant això, les caixes solen estar contaminades: inclouen fons, altres fonts tèrmiques o estan mal alineades. A diferència de la segmentació semàntica genèrica, convertir una caixa sorollosa en una màscara precisa per a IRSTD és un problema específic, ja que l’objectiu és minúscul i el fons és heterogeni. El mètode HALO (Hotspot-Anchored Label Optimization) proposa una solució elegant: generar etiquetes suaus (soft labels) basades en la física del sensor, sense necessitat d’actualitzacions en línia ni d’un detector específic.
HALO localitza una àncora radiomètrica dins de cada caixa aplicant restriccions d’estadístiques de fons locals. A partir d’aquell punt, sintetitza una etiqueta suau gaussiana (Physically Anchored Gaussian, PAG) que assigna una probabilitat contínua a cada píxel. D’aquesta manera, la supervisió sorollosa de la caixa es transforma en un senyal suau i estable, alineat amb la naturalesa física de la imatge infraroja. El procés és offline, s’executa abans de l’entrenament i roman desacoblat de l’arquitectura de detecció. Els experiments en conjunts de dades públiques mostren que HALO competeix amb els mètodes supervisats amb caixes estàndard, i supera clarament d’altres quan les caixes són fluixes o estan desplaçades, un escenari molt més realista.
La contribució clau d’HALO no és només algorítmica, sinó conceptual: demostra que el coneixement físic es pot introduir directament en la generació d’etiquetes, reduint la dependència d’una supervisió perfecta. Això obre la porta a sistemes de detecció més robustos i barats d’entrenar, especialment crítics en entorns on la qualitat de les anotacions és limitada. En el dia a dia d’una empresa de desenvolupament, adaptar tècniques com HALO a dominis específics requereix un coneixement profund del sensor i del context. Aquí és on el programari a mida de Q2BSTUDIO marca la diferència: es dissenyen solucions que integren el preprocessament físic, el model d’IA i la infraestructura de càlcul de manera perfectament adaptada a les necessitats del client.
Des d’una perspectiva empresarial, aquests avenços tenen implicacions directes. Una empresa com Q2BSTUDIO, especialitzada en desenvolupament de programari a mida, pot integrar tècniques de visió per computador com HALO en solucions personalitzades per a clients de defensa, seguretat o indústria. La capacitat d’entrenar models amb caixes delimitadores imperfectes redueix dràsticament els costos d’anotació i accelera el desplegament. A més, la naturalesa offline d’HALO permet que el preprocessament d’etiquetes s’executi al núvol (cloud AWS/Azure), alliberant recursos locals per a inferència en temps real. Q2BSTUDIO ofereix serveis integrals d’aplicacions a mida que cobreixen des de la recollida i anotació de dades fins a l’entrenament, desplegament i manteniment de models d’IA. La companyia combina la seva experiència en intel·ligència artificial amb arquitectures cloud escalables i ciberseguretat avançada, garantint que els sistemes de detecció funcionin de manera fiable fins i tot en entorns adversos. Així mateix, les capacitats de BI i Power BI permeten visualitzar i analitzar les mètriques de rendiment dels detectors, facilitant la presa de decisions. La incorporació d’agents d’IA és una altra via prometedora: un agent podria supervisar contínuament la qualitat de les deteccions, sol·licitar reetiquetats automàtics o ajustar els llindars de decisió en temps real. Q2BSTUDIO desenvolupa aquest tipus de solucions intel·ligents, adaptant-les a les necessitats específiques de cada client, ja sigui en entorns embedded, edge o cloud.
En una anàlisi més tècnica, HALO introdueix el concepte de “règim d’operació conscient de la contaminació”. Aquesta anàlisi caracteritza el límit efectiu dels mètodes basats en caixes i revela com la relació intrínseca senyal-clutter (SCR) es relaciona amb el rendiment. Per a objectius amb SCR baixa, fins i tot les caixes precises generen màscares sorolloses; HALO ho mitiga centrant l’atenció en el pic radiomètric, que és l’única part fiable del senyal. Això té un paral·lelisme en el món empresarial: quan les dades són imperfectes, és millor confiar en els punts forts del sensor que en anotacions humanes inconsistents. Les solucions de Q2BSTUDIO poden incorporar aquests principis físics en pipelines de MLOps, executant el preprocessament en instàncies d’AWS o Azure amb GPUs, i emmagatzemant les etiquetes suaus en bases de dades segures per a la seva reutilització.
Els resultats experimentals d’HALO sobre datasets com SIRST i NUAA-SIRST demostren que, sota caixes ajustades (tight boxes), el mètode és competitiu amb BoxInst, PointSup i altres enfocaments de caixes. Però quan s’afluixen o desplacen les caixes per simular errors reals, HALO supera significativament tots els competidors, amb guanys de fins a 10 punts en IoU. Aquesta robustesa és crítica per a desplegaments pràctics, on les anotacions mai no són perfectes. Q2BSTUDIO entén que la qualitat de la dada és el pilar de qualsevol sistema d’IA, i per això ofereix serveis de consultoria per dissenyar estratègies d’anotació realistes, combinant supervisió dèbil amb tècniques d’augment de dades i aprenentatge semi-supervisat. A més, la companyia pot integrar mòduls de ciberseguretat per protegir les transmissions de vídeo infraroig i els models davant d’atacs adversos, un requisit cada cop més comú en defensa.
Per a una empresa que vulgui adoptar IRSTD o qualsevol altre sistema de visió per computador, la ruta més eficient és recolzar-se en un soci tecnològic que ofereixi un enfocament integral. Q2BSTUDIO no només desenvolupa el programari a mida, sinó que a més gestiona la infraestructura cloud, la seguretat i la integració amb sistemes de BI per monitoritzar el rendiment en temps real. Els agents d’IA desenvolupats per Q2BSTUDIO poden fins i tot autoajustar els paràmetres d’HALO segons les condicions ambientals canviants, com l’hora del dia o la meteorologia, optimitzant contínuament la detecció sense intervenció humana. En resum, HALO representa un pas endavant en la detecció infraroja amb supervisió dèbil, i la seva filosofia d’aprofitar la física per generar etiquetes suaus es pot estendre a altres dominis com la inspecció industrial, la conducció autònoma o la teledetecció. Per a les empreses que busquen implementar sistemes de visió avançats sense incórrer en costos prohibitius, col·laborar amb un partner tecnològic com Q2BSTUDIO assegura que la innovació es tradueixi en valor real, amb solucions robustes, escalables i segures.
