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

Résumé Technique : L'IA pour la sécurité maritime – Évaluation comparative des architectures CNN et ViT

Énoncé du problème
La sécurité maritime est confrontée à des menaces croissantes, notamment le trafic illicite, la pêche non réglementée et les opérations de navires clandestins, ce qui nécessite des capacités de surveillance robustes. Bien que les méthodes traditionnelles reposent sur le radar, les patrouilles humaines et les vues satellites, elles peinent souvent à traiter en temps réel des données multimodales et à détecter des cibles petites ou anormales dans des états de mer difficiles. Bien que l'apprentissage profond basé sur la vision par ordinateur (CV) offre une voie pour automatiser la détection et la classification, des défis importants subsistent concernant la rareté des données, l'adaptation au domaine et le déploiement de modèles complexes sur des plateformes aux ressources limitées. Cette étude aborde la nécessité d'évaluer et de comparer l'efficacité de diverses architectures d'apprentissage profond — spécifiquement les réseaux de neurones convolutifs (CNN) et les Vision Transformers (ViT) — pour la détection d'objets maritimes sous diverses conditions environnementales.

Méthodologie
La recherche a utilisé un ensemble de données d'images maritimes comprenant 6 468 images étiquetées comme « Objet » (navire) et « Arrière-plan », capturées sous diverses conditions météorologiques (nuageux, brumeux, pluvieux, ensoleillé). Le jeu de données a été partitionné en 70 % pour l'entraînement, 15 % pour la validation et 15 % pour les tests, l'augmentation de données ayant été appliquée exclusivement à l'ensemble d'entraînement.

Six architectures distinctes d'apprentissage profond ont été évaluées :

1. CNN de base : Une architecture conçue manuellement comprenant six blocs convolutionnels, une normalisation par lots (Batch Normalization), un Dropout et une couche entièrement connectée, servant de base de contrôle.
2. Modèles d'apprentissage par transfert (Transfer Learning) : Quatre architectures pré-entraînées (Xception, VGG16, MobileNetV2 et EfficientNetV2L) ont été affinées (fine-tuning). Un composant méthodologique critique a consisté à respecter les protocoles de prétraitement spécifiques à chaque modèle (par exemple, la soustraction de la moyenne par canal pour VGG16, une normalisation spécifique pour Xception et MobileNetV2, et un prétraitement interne pour EfficientNetV2L) afin de maintenir la cohérence avec leurs distributions d'entraînement originales sur ImageNet.
3. Vision Transformer (ViT) : Un modèle ViT-Base (Patch16, 224×224) pré-entraîné sur ImageNet a été affiné. Ce modèle traite les patchs d'images comme des séquences, utilisant des mécanismes d'auto-attention pour capturer les dépendances contextuelles globales plutôt que de se reposer uniquement sur des opérations convolutionnelles locales.

Tous les modèles ont été entraînés jusqu'à 500 époques avec un arrêt précoce (early stopping). La performance a été évaluée à l'aide de la précision d'entraînement/test, des erreurs de Type I et de Type II, de la taille du modèle et du temps de traitement vidéo sur un clip de test de 37 secondes.

Principales contributions
Le document présente quatre contributions primaires :

• Comparaison systématique : Une évaluation complète de six architectures (un CNN de base, quatre modèles d'apprentissage par transfert et un ViT) à travers de multiples mesures de performance, allant au-delà de la simple précision pour inclure les types d'erreurs et les coûts computationnels.
• Cadre méthodologique pour le prétraitement : Une exposition détaillée des pipelines de prétraitement spécifiques requis pour les différents modèles d'apprentissage par transfert. Les auteurs soulignent qu'un prétraitement incohérent est une source courante d'erreur dans les études comparatives et fournissent une approche structurée pour garantir la reproductibilité.
• Évaluation basée sur des scénarios : Une analyse de la performance des modèles du point de vue d'un déploiement pratique, considérant conjointement la taille du modèle, les exigences de calcul et la vitesse de traitement pour déterminer l'adéquation pour les appareils de bord (edge devices) par rapport aux systèmes de surveillance à haute capacité.
• Directives pratiques : Des recommandations fondées sur des preuves pour la sélection de modèles dans la surveillance maritime, distinguant les scénarios nécessitant une efficacité légère de ceux exigeant une fiabilité de détection maximale.

Résultats
Les résultats expérimentaux ont indiqué que la performance des modèles dépend fortement des contraintes de calcul et des conditions de déploiement :

• Précision : Le Vision Transformer (ViT) a obtenu la performance la plus élevée, atteignant 100 % de précision sur les ensembles d'entraînement et de test. Il a enregistré les taux d'erreur les plus bas (1 erreur de Type I et 3 erreurs de Type II).
• Efficacité : Contrairement à l'hypothèse selon laquelle les modèles plus volumineux sont plus lents, le modèle ViT a démontré le temps de traitement vidéo le plus rapide (30,97 secondes pour le clip de 3 de 37 secondes), surpassant même des modèles légers comme MobileNetV2 (34,08 secondes) et étant nettement plus rapide qu'EfficientNetV2L (183,23 secondes).
• Taille du modèle : Le modèle ViT (335,2 Mo) était plus grand que la plupart des CNN mais plus petit qu'EfficientNetV2L (462,5 Mo). MobileNetV2 est resté le plus compact (10 Mo), adapté aux environnements à ressources limitées.
• Convergence : Le modèle ViT a montré une convergence stable avec une perte proche de zéro et une aire sous la courbe (AUC) de 1, indiquant une capacité de classification parfaite sur les données de test.

Signification et affirmations
Les auteurs affirment que si les architectures légères (par exemple, MobileNetV2) sont préférables pour les appareils de bord dotés de ressources de calcul limitées, le Vision Transformer offre une performance globale supérieure pour la surveillance maritime lorsque la capacité de calcul le permet. L'étude soutient que la capacité du ViT à capturer les relations contextuelles globales via l'auto-attention fournit un avantage significatif pour distinguer les navires des arrière-plans marins complexes par rapport aux CNN traditionnels.

Le document conclut qu'aucune architecture n'est universellement optimale ; le choix dépend du contexte opérationnel spécifique. Cependant, pour les systèmes privilégiant la précision et la fiabilité de la détection, tels que la protection frontalière centralisée ou la navigation autonome, les architectures basées sur les transformers comme le ViT représentent la solution de pointe (state-of-the-art). La recherche souligne l'importance d'un prétraitement rigoureux dans l'apprentissage par transfert et fournit un cadre validé pour le déploiement de systèmes de vision par ordinateur pilotés par l'IA dans des applications réelles de sécurité maritime.