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

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

Definizione del Problema
La sicurezza marittima affronta minacce in costante aumento, tra cui il traffico illecito, la pesca non regolamentata e le operazioni navali furtive, rendendo necessarie capacità di sorveglianza robuste. Sebbene i metodi tradizionali si affidino a radar, pattugliamenti umani e panoramiche satellitari, essi spesso faticano nella processazione in tempo reale di dati multimodali e nel rilevamento di target piccoli o anomali in condizioni di mare difficili. Sebbene la Computer Vision (CV) basata sul deep learning offra una via per automatizzare il rilevamento e la classificazione, rimangono significative 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 l'efficacia di varie architetture di deep learning — specificamente le Reti Neurali Convoluzionali (CNN) e i Vision Transformer (ViT) — per il rilevamento di oggetti marittimi sotto diverse condizioni ambientali.

Metodologia
La ricerca ha utilizzato un dataset di immagini marittime composto da 6.468 immagini etichettate come "Oggetto" (nave) e "Sfondo", catturate in diverse condizioni meteorologiche (nuvoloso, nebbioso, piovoso, soleggiato). Il dataset è stato suddiviso in 70% per l'addestramento, 15% per la validazione e 15% per il test, con l'applicazione dell'augmentation dei dati esclusivamente al set di addestramento.

Sono state valutate sei distinte architetture di deep learning:

1. Base CNN: Un'architettura progettata manualmente che presenta sei blocchi convoluzionali, Batch Normalization, Dropout e uno strato completamente connesso, fungendo da baseline controllata.
2. Modelli di Transfer Learning: Quattro architetture pre-addestrate (Xception, VGG16, MobileNetV2 ed EfficientNetV2L) sono state sottoposte a fine-tuning. Una componente metodologica critica è stata l'adesione ai protocolli di pre-processing specifici per ogni modello (ad esempio, sottrazione della media per canale per VGG16, normalizzazione specifica per Xception e MobileNetV2, e pre-processing interno per EfficientNetV2L) per mantenere la coerenza con le loro distribuzioni di addestramento originali su ImageNet.
3. Vision Transformer (ViT): Un modello ViT-Base (Patch16, 224×224) pre-addestrato su ImageNet è stato sottoposto a fine-tuning. Questo modello tratta i patch di immagini come sequenze, utilizzando meccanismi di auto-attenzione per catturare dipendenze contestuali globali anziché fare affidamento esclusivamente su operazioni convoluzionali locali.

Tutti i modelli sono stati addestrati per un massimo di 500 epoche con early stopping. Le prestazioni sono state valutate utilizzando l'accuratezza di addestramento/test, gli errori di Tipo I e di Tipo II, la dimensione del modello e il tempo di elaborazione video su una clip di test di 37 secondi.

Contributi Principali
Il documento delinea quattro contributi primari:

• Confronto Sistematico: Una valutazione completa di sei architetture (una base CNN, quattro modelli di transfer learning e un ViT) attraverso molteplici metriche di prestazione, andando oltre la semplice accuratezza per includere i tipi di errore e i costi computazionali.
• Framework Metodologico per il Pre-processing: Un'esposizione dettagliata delle pipeline di pre-processing specifiche richieste per i diversi modelli di transfer learning. Gli autori sottolineano che un pre-processing incoerente è una fonte comune di errore negli studi comparativi e forniscono un approccio strutturato per garantire la riproducibilità.
• Valutazione Basata su Scenari: Un'analisi delle prestazioni dei modelli da una prospettiva di implementazione pratica, considerando congiuntamente la dimensione del modello, i requisiti computazionali e la velocità di elaborazione per determinare l'idoneità per dispositivi edge rispetto a sistemi di monitoraggio ad alta capacità.
• Linee Guida Pratiche: Raccomandazioni basate sull'evidenza per la selezione del modello nel monitoraggio marittimo, distinguendo tra scenari che richiedono efficienza leggera e quelli che richiedono la massima affidabilità di rilevamento.

Risultati
I risultati sperimentali hanno indicato che le prestazioni del modello dipendono fortemente dai vincoli computazionali e dalle condizioni di implementazione:

• Accuratezza: Il Vision Transformer (ViT) ha ottenuto le prestazioni più elevate, raggiungendo il 100% di accuratezza sia nel set di addestramento che in quello di test. Ha registrato i tassi di errore più bassi (1 errore di Tipo I e 3 errori di Tipo II).
• Efficienza: Contrariamente all'assunto che i modelli più grandi siano più lenti, il modello ViT ha dimostrato il tempo di elaborazione video più veloce (30,97 secondi per la clip di 37 secondi), superando anche modelli leggeri come MobileNetV2 (34,08 secondi) e risultando significativamente più veloce di EfficientNetV2L (183,23 secondi).
• Dimensione del Modello: Il modello ViT (335,2 MB) era più grande della maggior parte delle CNN ma più piccolo di EfficientNetV2L (462,5 MB). MobileNetV2 è rimasto il più compatto (10 MB), adatto ad ambienti con risorse limitate.
• Convergenza: Il modello ViT ha mostrato una convergenza stabile con una perdita (loss) prossima allo zero e un'Area Sotto la Curva (AUC) di 1, indicando una capacità di classificazione perfetta sui dati di test.

Significatività e Rivendicazioni
Gli autori affermano che, sebbene le architetture leggere (ad esempio, MobileNetV2) siano preferibili per i dispositivi edge con risorse computazionali limitate, il Vision Transformer offre prestazioni complessive superiori per la sorveglianza marittima quando la capacità computazionale lo consente. Lo studio asserisce che la capacità del ViT di catturare le relazioni contestuali globali tramite l'auto-attenzione fornisce un vantaggio significativo nel distinguere le imbarcazioni dagli sfondi marini complessi rispetto alle tradizionali CNN.

Il documento conclude che non esiste un'architettura singola universalmente ottimale; la scelta dipende dallo specifico contesto operativo. Tuttavia, per i sistemi che danno priorità all'accuratezza e all'affidabilità del rilevamento, come la protezione dei confini centralizzata o la navigazione autonoma, le architetture basate su transformer come il ViT rappresentano la soluzione allo stato dell'arte. La ricerca sottolinea l'importanza di un rigoroso pre-processing nel transfer learning e fornisce un framework validato per l'implementazione di sistemi di computer vision guidati dall'IA in applicazioni reali di sicurezza marittima.