IceHorizon: A Dataset for Horizon Detection in Ice-Covered Maritime Environments and Comparative Evaluation of Detection Methods

Imaginez que vous soyez le capitaine d'un navire, ou peut-être le pilote d'un drone, tentant de naviguer à travers un monde qui ressemble à un miroir géant et gelé. Dans ce royaume de glace, le ciel et l'océan ne sont pas deux couleurs différentes ; ils sont tous deux d'un blanc aveuglant et scintillant. Trouver l'« horizon » — cette ligne invisible où le ciel rencontre la mer — revient à essayer de repérer un fantôme dans un blizzard. Si vous ne parvenez pas à trouver cette ligne, votre navire pourrait s'incliner dangereusement, votre caméra pourrait avoir le vertige et votre système de navigation pourrait s'égarer. C'est le casse-tête complexe de la « détection de l'horizon » dans les eaux glacées. Les scientifiques utilisent des astuces informatiques spéciales pour résoudre cela : certaines sont comme des détectives de la vieille école cherchant des bords et des lignes nettes, tandis que d'autres sont comme des artistes modernes qui ont appris à « voir » la différence entre l'eau et le ciel en étudiant des milliers d'images. Mais jusqu'à présent, la plupart de ces astuces informatiques étaient entraînées sur des océans ouverts et ensoleillés, ce qui les laissait confuses et maladroites face au chaos réfléchissant et désordonné de la glace.

Ce document, intitulé « IceHorizon », s'aventure dans cette confusion glaciale pour voir quel détective informatique est le meilleur pour trouver l'horizon dans la glace. Les chercheurs ont construit une toute nouvelle bibliothèque de 38 vidéos, filmées depuis des navires et des drones, montant exactement ce que l'on voit en naviguant dans des eaux glacées. Ils ont ensuite mis à l'épreuve six méthodes informatiques différentes : quatre qui utilisent des mathématiques classiques basées sur des règles (les détectives de la vieille école) et deux qui mélangent l'apprentissage profond avec ces règles (les artistes hybrides). Ils ont mesuré la proximité de la supposition de l'ordinateur par rapport au véritable horizon, la portion de l'horizon qu'il pouvait voir, et sa vitesse d'exécution.

Les résultats sont une victoire claire pour les méthodes « hybrides ». Lorsque l'ordinateur tentait de trouver l'horizon sur les vidéos de navires, les approches hybrides étaient jusqu'à 3,5 fois plus précises que la meilleure des méthodes de la vieille école. Même sur les vidéos de drones, qui étaient beaucoup plus difficiles, les hybrides étaient 1,6 fois meilleurs. Les méthodes de la vieille école, bien que très rapides, se perdaient souvent dans l'éclat de la glace ou le reflet des vagues, manquant parfois totalement l'horizon ou le traçant au mauvais endroit. Les méthodes hybrides, en revanche, étaient comme avoir un guide qui sait à quoi ressemble la glace ; elles pouvaient ignorer les reflets déroutants et trouver la véritable ligne. Curieusement, chaque méthode fonctionnait mieux sur les vidéos de navires que sur les vidéos de drones. Les images de drones étaient trop désordonnées, avec du brouillard, des montagnes et des horizons étrangement courbés qui confondaient même les algorithmes les plus intelligents. Le document conclut que, bien que nous ayons encore besoin de plus de données pour rendre ces systèmes parfaits pour les vols de drones à haute altitude, mélanger l'apprentissage profond avec la détection de lignes classique est actuellement la façon la plus fiable de maintenir nos navires et nos drones stables dans le grand nord gelé.