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

Sintesi Tecnica: IA per la Sicurezza Marittima – Valutazione Comparativa delle Architetture CNN e Vision Transformer

Definizione del Problema
La sicurezza marittima affronta minacce in costante aumento, tra cui il traffico illecito, la pesca non regolamentata e le operazioni di navi furtive. Sebbene la sorveglianza tradizionale si basi su radar, pattugliamenti umani e panoramiche satellitari, questi metodi spesso faticano con l'elaborazione in tempo reale, il rilevamento di piccoli bersagli e le variabili condizioni ambientali. Sebbene la Computer Vision (CV) basata sul deep learning offra una via per automatizzare il rilevamento e il tracciamento, rimangono sfide riguardanti la scarsità di dati, l'adattamento del dominio e l'implementazione di modelli complessi su piattaforme con risorse limitate. Questo studio affronta la necessità di valutare e confrontare diverse architetture di deep learning per determinare la loro idoneità al rilevamento di oggetti marittimi nel mondo reale sotto diverse condizioni meteorologiche.

Metodologia
La ricerca ha utilizzato un dataset di immagini marittime personalizzato composto da 6.468 immagini etichettate come "Oggetto" (nave) e "Sfondo", coprendo ambienti nuvolosi, nebbiosi, piovosi e soleggiati. Il dataset è stato suddiviso in 70% per l'addestramento, 15% per la validazione e 15% per il test, con l'applicazione dell'aumento dei dati esclusivamente al set di addestramento.

Sono state valutate sei architetture di deep learning:

1. Base CNN: Una rete neurale convoluzionale progettata manualmente con sei blocchi convoluzionali, batch normalization, dropout e un output sigmoidale per la classificazione binaria.
2. Modelli di Transfer Learning: Quattro architetture pre-addestrate (Xception, VGG16, MobileNetV2 ed EfficientNetV2L) inizializzate con pesi ImageNet. Lo studio ha enfatizzato l'aderenza rigorosa ai protocolli di pre-elaborazione specifici del modello (ad esempio, intervalli di normalizzazione specifici e ordine dei canali) per garantire la compatibilità con le distribuzioni di addestramento originali.
3. Vision Transformer (ViT): Un modello ViT-Base (Patch16, 224×224) perfezionato sul dataset marittimo, sfruttando i meccanismi di auto-attenzione per catturare le dipendenze contestuali globali.

Le prestazioni sono state valutate utilizzando l'accuratezza di addestramento/test, l'Errore di Tipo I (falso positivo) e l'Errore di Tipo II (falso negativo), la dimensione del modello (MB) e il tempo di elaborazione computazionale su una sequenza video di 37 secondi.

Contributi Principali
Il documento delinea quattro contributi primari:

1. Confronto Sistematico delle Architetture: Una valutazione completa di sei modelli distinti (CNN base, quattro varianti di transfer learning e ViT) utilizzando un framework multi-metrica che include tipi di errore ed efficienza computazionale, non solo l'accuratezza.
2. Framework Metodologico per la Pre-elaborazione: Una guida dettagliata e riproducibile sull'applicazione di pipeline di pre-elaborazione specifiche per il modello nel transfer learning, affrontando una lacuna comune nella letteratura dove la pre-elaborazione è spesso descritta insufficientemente o applicata in modo incoerente.
3. Valutazione Basata su Scenari: Un'analisi delle prestazioni dei modelli da una prospettiva di implementazione pratica, considerando congiuntamente dimensione del modello, velocità di elaborazione ed errori per determinare l'idoneità per dispositivi edge rispetto a sistemi ad alta capacità.
4. Linee Guida Pratiche: Raccomandazioni basate sull'evidenza per la selezione del modello nel monitoraggio marittimo, distinguendo tra necessità leggere per ambienti con risorse limitate e necessità di alta accuratezza per la sorveglianza centralizzata.

Risultati
I risultati sperimentali hanno indicato variazioni significative nelle prestazioni basate sul design dell'architettura e sui vincoli computazionali:

• Vision Transformer (ViT): Ha raggiunto la prestazione complessiva più elevata con il 100% di accuratezza sia nei set di addestramento che di test. Ha registrato i tassi di errore più bassi (1 Errore di Tipo I, 3 Errori di Tipo II) e il tempo di elaborazione video più veloce (30,97 secondi per una clip di 37 secondi).
• Modelli di Transfer Learning:
  • Xception e VGG16 hanno dimostrato una prestazione solida (accuratezza 99–100%) con tempi di elaborazione moderati (~32 secondi).
  • MobileNetV2 ha offerto la dimensione del modello più piccola (10 MB) e una velocità ragionevole (34,08 secondi), ma ha mostrato tassi di errore leggermente superiori rispetto a ViT.
  • EfficientNetV2L, nonostante avere il maggior numero di parametri (117M) e la dimensione del modello più grande (462,5 MB), ha prodotto il tempo di elaborazione più lento (183,23 secondi).
• Base CNN: Ha performato bene (99% di accuratezza) con una dimensione del modello moderata (23,2 MB) ma è stata più lenta rispetto ai modelli ViT e Xception.

Significatività e Rivendicazioni
Il documento afferma che, sebbene nessun'architettura sia universalmente ottimale, il Vision Transformer (ViT) offre una maggiore affidabilità e velocità per il rilevamento di oggetti marittimi quando le risorse computazionali sono sufficienti. Lo studio evidenzia come le architetture basate su transformer riescano a catturare efficacemente le relazioni contestuali globali, fornendo un vantaggio nelle scene marittime complesse con scale e illuminazione variabili.

Al contrario, gli autori notano che le architetture leggere come MobileNetV2 rimangono preziose per i sistemi edge con capacità hardware limitata, nonostante potenzialmente più alti tassi di errore. La ricerca sottolinea che la selezione del modello deve essere guidata da un compromesso tra accuratezza del rilevamento, efficienza computazionale e vincoli operativi. Fornendo un framework di pre-elaborazione strutturato e una valutazione multi-metrica, lo studio mira a migliorare la riproducibilità e l'implementazione pratica dei sistemi di sorveglianza marittima guidati dall'IA.