Resumo Técnico: 4º Workshop de Visão Computacional Marítima (MaCVi) na CVPR 2026

1. Visão Geral e Problema

O MaCVi 2026 é o quarto workshop dedicado à visão computacional em ambientes marítimos, realizado como parte da conferência CVPR 2026. O foco central deste ano é abordar os desafios únicos dos ambientes marinhos — como iluminação dinâmica, reflexos, cenas desordenadas e condições de baixa visibilidade — e, crucialmente, equilibrar a precisão preditiva com a viabilidade em tempo real em hardware embarcado (ex: Veículos Superficiais Não Tripulados - USVs).

O workshop apresenta cinco desafios de benchmark distintos, cobrindo desde a associação de dados visuais com cartas náuticas até a segmentação semântica multimodal, visando impulsionar o desenvolvimento de algoritmos robustos para navegação autônoma e detecção de obstáculos.

2. Metodologia e Desafios (Tracks)

O workshop foi estruturado em cinco trilhas de desafios, cada uma com protocolos de avaliação específicos:

2.1. Associação de Dados Visão-para-Carta (Vision-to-Chart Data Association)

• Objetivo: Associar auxílios à navegação visíveis (boias) em uma imagem monocromática RGB com marcadores em cartas náuticas.
• Desafio: Lidar com reflexos, clutter e pontos de vista de longo alcance.
• Abordagem Vencedora: O método vencedor (HD Korea Shipbuilding) utilizou um pipeline em etapas que injeta priors geométricos explícitos. O sistema estima o horizonte (skyline) para compensar o balanço do navio, projeta consultas da carta no espaço da imagem usando curvas de calibração e utiliza um detector RF-DETR com atribuição húngara.
• Tendência: O uso de condicionamento geométrico baseado na física (IMU, dados de carta) mostrou-se mais eficaz do que apenas redes neurais profundas puras.

2.2. Detecção de Objetos Térmicos (Thermal Object Detection)

• Objetivo: Detecção de obstáculos e embarcações em imagens térmicas (infravermelho), essenciais para operação noturna.
• Dataset: Maritime Collision Avoidance Dataset (704 imagens de treino, 381 de teste).
• Abordagem Vencedora: Um ensemble multi-arquitetura (6 modelos, incluindo Co-DINO, DDQDETR, DINO) combinado com Aprendizado Semi-supervisionado (pseudo-rótulos nos dados de teste não rotulados) e fusão via Weighted Boxes Fusion (WBF).
• Insights Críticos:
  • Objetos Pequenos: 63,4% dos objetos são menores que 32x32 pixels. Aumentar a resolução de inferência foi o fator mais impactante.
  • Pré-processamento: A equalização de histograma adaptativo (CLAHE) ajudou modelos fortes, mas prejudicou modelos mais fracos.
  • Refinamento de Anotação: Corrigir anotações inconsistentes (ex: turbinas eólicas) gerou ganhos significativos.

2.3. Segmentação Panóptica LaRS (LaRS Panoptic Segmentation)

• Objetivo: Segmentar cenas vistas por USVs em classes "coisas" (objetos dinâmicos como barcos, boias) e "coisas" (estáticas como água, céu).
• Métrica: Qualidade Panóptica (PQ).
• Resultados: O método vencedor (M2F-DINOv3) utilizou a arquitetura Mask2Former com um backbone DINOv3 (auto-supervisionado em larga escala). Embora tenha superado a linha de base, ainda ficou atrás do método PanSR (fora de competição).
• Desafio Principal: A detecção de objetos pequenos e densos (como boias e nadadores) continua sendo o gargalo, onde modelos baseados em Mask-DINO sofrem com supersegmentação e deriva de máscaras.

2.4. Segmentação Semântica Embarcada (Embedded Semantic Segmentation)

• Objetivo: Segmentação em tempo real em dispositivos de borda (Luxonis OAK4), com restrições de energia e latência.
• Métrica: Pontuação combinada $Q = F1 \cdot mIoU$, com limite de 30 FPS.
• Vencedor: DSOS-Net, que combina um backbone ConvNeXt pré-treinado com DINOv3 e um decodificador leve baseado em RSOS-Net.
• Tendência: Modelos leves e quantizáveis (como PIDNet-S) são essenciais. O pré-treinamento auto-supervisionado (DINOv3) transferiu bem para a tarefa marítima, reduzindo a lacuna de domínio.

2.5. Segmentação Semântica Multimodal (Multimodal Semantic Segmentation)

• Objetivo: Fusão de RGB, Térmico e LiDAR para robustez em condições degradadas (ex: noite).
• Desafio: O conjunto de teste é noturno, enquanto o treino é diurno (grande domain gap).
• Vencedor: GatedMemorySAM, baseado no SAM2 (Segment Anything Model).
• Inovação: Utiliza uma adaptação Soft MoE LoRA e um mecanismo de pontuação de qualidade de modalidade. O sistema trata cada modalidade como um "frame" no pipeline de vídeo do SAM2, permitindo que o modelo aprenda a confiar mais na modalidade mais confiável (ex: Térmico à noite) através de um mecanismo de gating.

3. Contribuições Chave

1. Validação de Priors Geométricos: Demonstrou-se que integrar dados de sensores físicos (IMU, cartas náuticas) e geometria (horizonte) melhora drasticamente a precisão em tarefas de associação e detecção marítima.
2. Eficácia de Ensembles e Semi-supervisionado: Em cenários com poucos dados rotulados (como o desafio térmico), a combinação de múltiplos modelos (ensembles) e o uso de pseudo-rótulos nos dados de teste não rotulados geraram os maiores ganhos de desempenho.
3. Importância do Pré-treinamento Auto-supervisionado: O uso de backbones como DINOv3 e SAM2, pré-treinados em grandes conjuntos de dados genéricos, provou ser superior a backbones tradicionais (ResNet, Swin) para robustez em condições adversas (chuva, neblina, reflexos).
4. Foco em Hardware Embarcado: O desafio de segmentação embarçada destacou que a precisão bruta não é suficiente; a eficiência computacional e a capacidade de quantização (INT8) são requisitos críticos para aplicações reais em USVs.
5. Adaptação de Domínio Noturno: A estratégia de simulação de noite agressiva (darkening, ruído, substituição cruzada) foi fundamental para fechar a lacuna entre treino diurno e teste noturno no desafio multimodal.

4. Resultados Quantitativos e Qualitativos

• Associação Visão-Carta: O método vencedor alcançou uma pontuação geral de 0.7646 (vs. 0.3333 da linha de base), demonstrando que a calibração baseada em skyline é crucial.
• Detecção Térmica: O AP (Average Precision) do vencedor foi 0.4868 (vs. 0.3137 da linha de base). A detecção de objetos pequenos (<32px) permaneceu o principal gargalo, com AP significativamente menor para essa categoria.
• Segmentação Panóptica: O vencedor alcançou 53.5 PQ, superando a linha de base (41.4 PQ), mas ficando abaixo do estado da arte não competitivo (PanSR com 57.3 PQ). A performance em classes "coisas" (dinâmicas) foi inferior à de classes "coisas" (estáticas).
• Embarcado: O DSOS-Net alcançou 61.9 na pontuação Q com 66.5 FPS, equilibrando bem precisão e velocidade.
• Multimodal: O GatedMemorySAM obteve 82.1 na métrica média M, superando a linha de base em robustez noturna, graças à fusão adaptativa de modalidades.

5. Significado e Conclusão

O MaCVi 2026 estabelece um novo marco para a pesquisa em visão computacional marítima. O workshop evidencia uma mudança de paradigma:

• Do "Apenas Deep Learning" para "Deep Learning + Geometria": A integração de conhecimento de domínio (física, sensores) é essencial para superar as limitações de dados e condições adversas.
• Da Precisão Bruta para a Eficiência Embarcada: Há uma pressão crescente para que os modelos não apenas sejam precisos, mas também executáveis em hardware de baixo custo e baixo consumo energético.
• Robustez Multimodal: A capacidade de operar em múltiplos espectros (RGB, Térmico, LiDAR) e adaptar-se a falhas de sensores é crítica para a autonomia marítima segura.

Os relatórios técnicos das equipes vencedoras fornecem um guia prático sobre como combinar pré-treinamento em larga escala, técnicas de ensemble, refinamento de dados e arquiteturas leves para resolver problemas complexos do mundo real. O workshop reforça a necessidade de um ecossistema colaborativo e benchmarks padronizados para avançar a tecnologia de USVs autônomos.