Resumo Técnico: Uma Pesquisa sobre Classificação de Navios SAR usando Aprendizado Profundo

1. Declaração do Problema

A vigilância marítima é crítica para o comércio global, a segurança e a proteção ambiental. Embora os dados do Sistema de Identificação Automática (AIS) forneçam detalhes das embarcações, nem sempre estão disponíveis ou são confiáveis. O Radar de Abertura Sintética (SAR) oferece uma solução complementar, capaz de imagear navios em todas as condições climáticas e de iluminação. No entanto, a classificação de navios a partir de imagens SAR apresenta desafios únicos:

• Limitações de Dados: Imagens SAR frequentemente possuem resolução espacial limitada (por exemplo, Sentinel-1 em ~20m), representando as embarcações em poucos pixels. Além disso, conjuntos de dados rotulados de alta qualidade são escassos.
• Desequilíbrio de Classes: Conjuntos de dados como OpenSARShip e FUSAR-Ship exibem distribuições de cauda longa severas, onde categorias como "Carga" dominam (até 61–81% dos dados), enquanto classes minoritárias (por exemplo, embarcações de pesca) são sub-representadas.
• Características do Sensor: Imagens SAR são de canal único (diferentemente do RGB óptico), sofrem com ruído de speckle e contêm artefatos como lóbulos laterais. Elas também possuem propriedades únicas, como polarização (VV, VH, HH, HV) e informação de fase, que são frequentemente subutilizadas.
• Generalização do Modelo: Modelos de Aprendizado Profundo (DL) projetados para imagens ópticas frequentemente falham em generalizar para dados SAR sem adaptações arquitetônicas ou de treinamento específicas.

Embora pesquisas existentes cubram a detecção de navios SAR, uma revisão abrangente dedicada à classificação de navios SAR usando DL estava ausente. Este artigo aborda essa lacuna.

2. Metodologia

Os autores conduziram uma revisão sistemática da literatura seguindo um protocolo rigoroso:

• Estratégia de Busca: Uma string de consulta combinando "Deep Learning/Neural Network", "Ship/Vessel Classification" e "SAR" foi aplicada a bancos de dados principais (Web of Science, IEEE Xplore, Scopus, etc.).
• Processo de Seleção: De um total inicial de 1.787 registros, duplicatas foram removidas e títulos/resumos foram filtrados. A avaliação de texto completo de 187 artigos levou à inclusão de 74 estudos representativos publicados entre 2017 e 2025.
• Critérios de Inclusão: Os artigos deveriam focar na classificação de navios (não apenas detecção) usando imagens SAR, empregar técnicas de DL, relatar métricas quantitativas (pontuação F1 e/ou Precisão Geral) e ser publicados em inglês após 2010.
• Construção da Taxonomia: Os estudos selecionados foram categorizados em uma taxonomia de quatro dimensões:
  1. Arquiteturas de DL: Variando de CNNs clássicas (AlexNet, VGG) a redes Residuais, Transformers e designs leves personalizados.
  2. Conjuntos de Dados: Principalmente OpenSARShip e FUSAR-Ship, juntamente com dados proprietários ou específicos de satélite (TerraSAR-X, COSMO-SkyMed, Gaofen-3).
  3. Aumento de Imagem: Geométrico (rotação, inversão), injeção de ruído e abordagens generativas (GANs).
  4. Técnicas de Aprendizado: Aprendizado por transferência, aprendizado de métricas, fusão de características e tratamento do desequilíbrio de classes.

3. Contribuições Principais

O artigo fornece as seguintes contribuições específicas para o campo:

• Revisão Sistemática: Uma análise aprofundada de 74 estudos-chave selecionados entre 187 candidatos, detalhando suas metodologias e desempenho.
• Taxonomia Abrangente: Um framework estruturado (Figura 2) organizando a pesquisa sobre classificação de navios SAR em arquiteturas, conjuntos de dados, aumentos e técnicas de aprendizado.
• Relato Padronizado de Desempenho: Uma tabela unificada relatando pontuações F1 e Precisão Geral (OA) entre estudos, destacando benchmarks como OpenSARShip e FUSAR-Ship, enquanto nota as limitações da comparabilidade entre estudos devido a divisões de conjuntos de dados variáveis.
• Síntese de Tendências Empíricas: Identificação de estratégias eficazes, incluindo:
  • A eficácia de CNNs rasas sob escassez de dados.
  • Os benefícios de combinar características manuais (por exemplo, HOG, descritores geométricos) com características profundas.
  • A importância da fusão de polarização (VV/VH) e processamento multiescala.
  • A utilidade do aprendizado por transferência e adaptação de domínio (por exemplo, Óptico para SAR).
• Diretrizes de Design: Recomendações práticas para arquitetura de modelos, ajuste de hiperparâmetros (épocas, tamanho do lote, taxa de aprendizado) e tratamento do desequilíbrio de classes.
• Direções Futuras: Um roteiro para abordar questões em aberto, incluindo a necessidade de arquiteturas específicas para SAR, melhoria da interpretabilidade e métricas padronizadas.

4. Resultados e Descobertas Principais

A pesquisa analisa a evolução e o desempenho das técnicas de DL neste domínio:

• Arquiteturas: Embora modelos profundos como ResNet e VGG sejam amplamente utilizados, arquiteturas leves e personalizadas (por exemplo, LN-SCNet, SBNN) estão ganhando tração para eficiência. Modelos híbridos (CNN-LSTM) e mecanismos de atenção (SE, CBAM) mostram promessa na captura de dependências sequenciais e no foco em características relevantes.
• Características Manuais: A integração de características tradicionais (HOG, LBP, dimensões geométricas do AIS) com características de DL melhora consistentemente o desempenho, particularmente em cenários de escassez de dados. Essa fusão ajuda os modelos a aprender representações robustas quando abordagens puras de DL lutam com ruído ou amostras limitadas.
• Propriedades SAR: Explorar atributos específicos de SAR é crucial.
  • Polarização: A fusão de dupla polarização (VV/VH) geralmente supera abordagens de polarização única.
  • Dados Complexos: Trabalhos recentes utilizam CNNs de valor complexo para aproveitar a informação de fase, melhorando a classificação de alvos em movimento.
  • Espalhamento: Incorporar características de centros de espalhamento ou suprimir lóbulos laterais aumenta a robustez do modelo.
• Estratégias de Treinamento:
  • Aprendizado por Transferência: Ajuste fino de modelos pré-treinados (do ImageNet ou conjuntos de dados ópticos) em dados SAR é uma prática padrão e eficaz, especialmente para conjuntos de dados pequenos.
  • Aumento de Dados: Técnicas como rotação, inversão e geração baseada em GANs são essenciais para mitigar a escassez de dados.
  • Tratamento do Desequilíbrio: Estratégias incluem funções de perda personalizadas (por exemplo, Focal Loss, Seesaw Loss), aprendizado de currículo e proporções específicas de divisão treino-teste baseadas em classes minoritárias.
• Desempenho: As precisões relatadas variam significativamente com base no número de classes e na qualidade do conjunto de dados. Precisões altas (>90%) são frequentemente relatadas em subconjuntos de 3 classes de OpenSARShip ou FUSAR-Ship, enquanto o desempenho cai consideravelmente à medida que o número de classes aumenta ou ao lidar com categorias de granularidade fina altamente desequilibradas.

5. Significado e Alegações

O artigo posiciona-se como um recurso fundamental para pesquisadores e praticantes em vigilância marítima. Seu significado reside em:

• Preenchendo uma Lacuna: É a primeira pesquisa dedicada a revisar sistematicamente a classificação de navios SAR (distinta da detecção), fornecendo uma visão clara do estado da arte.
• Utilidade Prática: Ao sintetizar tendências empíricas e oferecer considerações de design (por exemplo, faixas de hiperparâmetros, escolhas de arquitetura), serve como um guia para o desenvolvimento de sistemas de classificação robustos.
• Destacando Desafios: Identifica explicitamente gargalos críticos — escassez de dados, desequilíbrio de classes, falta de métricas padronizadas e a natureza de "caixa preta" dos modelos de DL — instando a comunidade a abordá-los.
• Perspectiva Futura: O artigo defende o desenvolvimento de arquiteturas de DL específicas para SAR, a integração de características manuais e profundas, a adoção de métricas de relato padronizadas (F1 e OA) e o aumento da colaboração interdisciplinar para avançar as capacidades de monitoramento marítimo.

Os autores concluem que, embora o DL tenha avançado significativamente a classificação de navios SAR, alcançar maior robustez, precisão e transparência exige esforços concertados na curadoria de dados, na interpretabilidade de modelos e na criação de frameworks de aprendizado adaptados ao SAR.