AI for Maritime Security: Comparative Evaluation of CNN and Vision Transformer Architectures for Maritime Object Detection

Resumen Técnico: IA para la Seguridad Marítima – Evaluación Comparativa de Arquitecturas CNN y Vision Transformer

Planteamiento del Problema
La seguridad marítima se enfrenta a amenazas crecientes, incluyendo el tráfico ilícito, la pesca no regulada y las operaciones de embarcaciones encubiertas. Si bien la vigilancia tradicional depende del radar, las patrullas humanas y las vistas satelitales, estos métodos suelen tener dificultades con el procesamiento en tiempo real, la detección de objetivos pequeños y las condiciones ambientales variables. Aunque la Visión Computacional (CV) basada en aprendizaje profundo ofrece una vía para automatizar la detección y el seguimiento, persisten desafíos relacionados con la escasez de datos, la adaptación de dominio y el despliegue de modelos complejos en plataformas con recursos limitados. Este estudio aborda la necesidad de evaluar y comparar diferentes arquitecturas de aprendizaje profundo para determinar su idoneidad para la detección de objetos marítimos en el mundo real bajo diversas condiciones climáticas.

Metodología
La investigación utilizó un conjunto de imágenes marítimas personalizado que consta de 6,468 imágenes etiquetadas como "Objeto" (buque) y "Fondo", cubriendo entornos nublados, con niebla, lluvia y soleados. El conjunto de datos se dividió en 70% para entrenamiento, 15% para validación y 15% para pruebas, aplicándose aumentación de datos exclusivamente al conjunto de entrenamiento.

Se evaluaron seis arquitecturas de aprendizaje profundo:

1. CNN Base: Una Red Neuronal Convolucional diseñada manualmente con seis bloques convolucionales, normalización por lotes (batch normalization), dropout y una salida sigmoide para clasificación binaria.
2. Modelos de Aprendizaje por Transferencia (Transfer Learning): Cuatro arquitecturas preentrenadas (Xception, VGG16, MobileNetV2 y EfficientNetV2L) inicializadas con pesos de ImageNet. El estudio enfatizó la adherencia estricta a los protocolos de preprocesamiento específicos de cada modelo (por ejemplo, rangos de normalización específicos y orden de canales) para asegurar la compatibilidad con las distribuciones de entrenamiento originales.
3. Vision Transformer (ViT): Un modelo ViT-Base (Patch16, 224×224) ajustado (fine-tuned) con el conjunto de datos marítimo, aprovechando los mecanismos de autoatención para capturar dependencias contextuales globales.

El rendimiento se evaluó mediante la precisión de entrenamiento/prueba, errores de Tipo I (falsos positivos) y Tipo II (falsos negativos), tamaño del modelo (MB) y tiempo de procesamiento computacional en una secuencia de video de 37 segundos.

Contribuciones Clave
El artículo describe cuatro contribuciones primarias:

1. Comparación Arquitectónica Sistemática: Una evaluación exhaustiva de seis modelos distintos (CNN base, cuatro variantes de aprendizaje por transferencia y ViT) utilizando un marco de métricas múltiples que incluye tipos de error y eficiencia computacional, no solo precisión.
2. Marco Metodológico de Preprocesamiento: Una guía detallada y reproducible sobre la aplicación de procesos de preprocesamiento específicos de cada modelo en el aprendizaje por transferencia, abordando una brecha común en la literatura donde el preprocesamiento suele describirse insuficientmente o aplicarse de manera inconsistente.
3. Evaluación Basada en Escenarios: Un análisis del rendimiento de los modelos desde una perspectiva de despliegue práctico, considerando conjuntamente el tamaño del modelo, la velocidad de procesamiento y las tasas de error para determinar la idoneidad para dispositivos de borde (edge devices) frente a sistemas de alta capacidad.
4. Directrices Prácticas: Recomendaciones basadas en evidencia para la selección de modelos en el monitoreo marítimo, distinguiendo entre necesidades ligeras para entornos con recursos limitados y necesidades de alta precisión para la vigilancia centralizada.

Resultados
Los resultados experimentales indicaron variaciones significativas basadas en el diseño arquitectónico y las restricciones computacionales:

• Vision Transformer (ViT): Logró el mayor rendimiento general con un 100% de precisión tanto en el entrenamiento como en las pruebas. Registró las tasas de error más bajas (1 error de Tipo I, 3 errores de Tipo II) y el tiempo de procesamiento de video más rápido (30.97 segundos para un clip de 37 segundos).
• Modelos de Aprendizaje por Transferencia:
  • Xception y VGG16 demostraron un sólido rendimiento (99–100% de precisión) con tiempos de procesamiento moderados (~32 segundos).
  • MobileNetV2 ofreció el tamaño de modelo más pequeño (10 MB) y una velocidad razonable (34.08 segundos), pero exhibió tasas de error ligeramente superiores en comparación con ViT.
  • EfficientNetV2L, a pesar de tener el mayor número de parámetros (117M) y tamaño de modelo (462.5 MB), resultó en el tiempo de procesamiento más lento (183.23 segundos).
• CNN Base: Funcionó bien (99% de precisión) con un tamaño de modelo moderado (23.2 MB) pero fue más lenta que los modelos ViT y Xception.

Significancia y Reivindicaciones
El artículo sostiene que, si bien ningún modelo es universalmente óptimo, el Vision Transformer (ViT) ofrece una fiabilidad y velocidad superiores para la detección de objetos marítimos cuando los recursos computacionales son suficientes. El estudio destaca que las arquitecturas basadas en transformadores capturan eficazmente las relaciones contextuales globales, proporcionando una ventaja en escenas marítimas complejas con variaciones de escala y luz.

Por el contrario, los autores señalan que las arquitecturas ligeras como MobileNetV2 siguen siendo valiosas para sistemas basados en el borde con capacidad de hardware limitada, a pesar de tener potencialmente mayores tasas de error. La investigación subraya que la selección del modelo debe guiarse por un equilibrio entre la precisión de detección, la eficiencia computacional y las restricciones operativas. Al proporcionar un marco de preprocesamiento estructurado y una evaluación de métricas múltiples, el estudio busca mejorar la reproducibilidad y el despliegue práctico de los sistemas de vigilancia marítima impulsados por IA.