AI for Maritime Security: Comparative Evaluation of Convolutional Neural Network and Vision Transformer Architectures for Maritime Object Detection

Resumen Técnico: IA para la Seguridad Marítima – Evaluación Comparativa de las Arquitecturas CNN y ViT

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, lo que requiere capacidades de vigilancia robustas. Aunque los métodos tradicionales dependen de radares, patrullas humanas y supervisión satelital, a menudo presentan dificultades para el procesamiento en tiempo real de datos multimodales y la detección de objetivos pequeños o anómalos en condiciones marinas desafiantes. Si bien la visión por computadora (CV) basada en aprendizaje profundo ofrece una vía para automatizar la detección y clasificación, persisten desafíos significativos 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 la eficacia de diversas arquitecturas de aprendizaje profundo —específicamente, Redes Neuronales Convolucionales (CNN) y Vision Transformers (ViT)— para la detección de objetos marítimos bajo diversas condiciones ambientales.

Metodología
La investigación utilizó un conjunto de datos de imágenes marítimas compuesto por 6,468 imágenes etiquetadas como "Objeto" (buque) y "Fondo", capturadas bajo diversas condiciones meteorológicas (nublado, niebla, lluvia, soleado). El conjunto de datos se dividió en 70% para entrenamiento, 15% para validación y 15% para prueba, aplicándose aumentación de datos exclusivamente al conjunto de entrenamiento.

Se evaluaron seis arquitecturas distintas de aprendizaje profundo:

1. CNN Base: Una arquitectura diseñada manualmente que cuenta con seis bloques convolucionales, Normalización por Lotes (Batch Normalization), Dropout y una capa totalmente conectada, sirviendo como una línea base controlada.
2. Modelos de Aprendizaje por Transferencia (Transfer Learning): Se ajustaron cuatro arquitecturas preentrenadas (Xception, VGG16, MobileNetV2 y EfficientNetV2L). Un componente metodológico crítico consistió en adherirse a los protocolos de preprocesamiento específicos de cada modelo (por ejemplo, sustracción de la media por canal para VGG16, normalización específica para Xception y MobileNetV2, y preprocesamiento interno para EfficientNetV2L) para mantener la consistencia con sus distribuciones originales de entrenamiento de ImageNet.
3. Vision Transformer (ViT): Se ajustó un modelo ViT-Base (Patch16, 224×224) preentrenado en ImageNet. Este modelo trata los parches de imagen como secuencias, utilizando mecanismos de autoatención para capturar dependencias contextuales globales en lugar de depender únicamente de operaciones convolucionales locales.

Todos los modelos fueron entrenados durante hasta 500 épocas con parada temprana (early stopping). El rendimiento se evaluó mediante la precisión de entrenamiento/prueba, errores de Tipo I y Tipo II, tamaño del modelo y tiempo de procesamiento de video en un clip de prueba de 37 segundos.

Contribuciones Clave
El artículo describe cuatro contribuciones primarias:

• Comparación Sistemática: Una evaluación exhaustiva de seis arquitecturas (una CNN base, cuatro modelos de aprendizaje por transferencia y un ViT) a través de múltiples métricas de rendimiento, yendo más allá de la simple precisión para incluir tipos de error y costos computacionales.
• Marco Metodológico para el Preprocesamiento: Una exposición detallada de los flujos de preprocesamiento específicos requeridos para los diferentes modelos de aprendizaje por transferencia. Los autores enfatizan que el preprocesamiento inconsistente es una fuente común de error en estudios comparativos y proporcionan un enfoque estructurado para asegurar la reproducibilidad.
• Evaluación Basada en Escenarios: Un análisis del rendimiento de los modelos desde una perspectiva de despliegue práctico, considerando conjuntamente el tamaño del modelo, los requisitos computacionales y la velocidad de procesamiento para determinar la idoneidad para dispositivos de borde (edge devices) frente a sistemas de monitoreo de alta capacidad.
• Directrices Prácticas: Recomendaciones basadas en evidencia para la selección de modelos en el monitoreo marítimo, distinguiendo entre escenarios que requieren eficiencia ligera y aquellos que demandan la máxima fiabilidad de detección.

Resultos
Los resultados experimentales indicaron que el rendimiento del modelo depende altamente de las restricciones computacionales y las condiciones de despliegue:

• Precisión: El Vision Transformer (ViT) alcanzó el mayor rendimiento, logrando un 100% de precisión tanto en el entrenamiento como en las pruebas. Registró las tasas de error más bajas (1 error de Tipo I y 3 errores de Tipo II).
• Eficiencia: Contrario a la suposición de que los modelos más grandes son más lentos, el modelo ViT demostró el tiempo de procesamiento de video más rápido (30.97 segundos para el clip de 37 segundos), superando incluso a modelos ligeros como MobileNetV2 (34.08 segundos) y siendo significativamente más rápido que EfficientNetV2L (183.23 segundos).
• Tamaño del Modelo: El modelo ViT (335.2 MB) fue más grande que la mayoría de las CNN, pero más pequeño que EfficientNetV2L (462.5 MB). MobileNetV2 se mantuvo como el más compacto (10 MB), adecuado para entornos con recursos limitados.
• Convergencia: El modelo ViT mostró una convergencia estable con una pérdida cercana a cero y un Área Bajo la Curva (AUC) de 1, indicando una capacidad de clasificación perfecta en los datos de prueba.

Significancia y Afirmaciones
Los autores afirman que, si bien las arquitecturas ligeras (por ejemplo, MobileNetV2) son preferibles para dispositivos de borde con recursos computacionales limitados, el Vision Transformer ofrece un rendimiento general superior para la vigilancia marítima cuando la capacidad computacional lo permite. El estudio sostiene que la capacidad del ViT para capturar relaciones contextuales globales mediante mecanismos de autoatención proporciona una ventaja significativa para distinguir embarcaciones de fondos marinos complejos en comparación con las CNN tradicionales.

El artículo concluye que no existe una arquitectura única que sea universalmente óptima; la elección depende del contexto operativo específico. Sin embargo, para sistemas que priorizan la precisión de detección y la fiabilidad, como la protección fronteriza centralizada o la navegación autónoma, las arquitecturas basadas en Transformers como ViT representan la solución de vanguardia (state-of-the-art). La investigación subraya la importancia de un preprocesamiento riguroso en el aprendizaje por transferencia y proporciona un marco validado para el despliegue de sistemas de visión por computadora impulsados por IA en aplicaciones reales de seguridad marítima.