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

Resumo Técnico: IA para Segurança Marítima – Avaliação Comparativa de Arquiteturas CNN e Vision Transformer

Definição do Problema
A segurança marítima enfrenta ameaças crescentes, incluindo o tráfico ilícito, a pesca não regulamentada e operações de embarcações cobertas. Embora a vigilância tradicional dependa de radar, patrulhas humanas e observações via satélite, esses métodos frequentemente enfrentam dificuldades com o processamento em tempo real, detecção de alvos pequenos e condições ambientais variáveis. Embora a Visão Computacional (VC) baseada em aprendizado profundo ofereça um caminho para automatizar a detecção e o rastreamento, permanecem desafios relacionados à escassez de dados, adaptação de domínio e a implantação de modelos complexos em plataformas de recursos limitados. Este estudo aborda a necessidade de avaliar e comparar diferentes arquiteturas de aprendizado profundo para determinar sua adequação para a detecção de objetos marítimos no mundo real sob diversas condições climáticas.

Metodologia
A pesquisa utilizou um conjunto de dados de imagens marítimas customizado, composto por 6.468 imagens rotuladas como "Objeto" (navio) e "Segundo Plano" (background), cobrindo ambientes nublados, com neblina, chuvosos e ensolarados. O conjunto de dados foi dividido em 70% para treinamento, 15% para validação e 15% para teste, com aumento de dados (data augmentation) aplicado exclusivamente ao conjunto de treinamento.

Seis arquiteturas de aprendizado profundo foram avaliadas:

1. CNN Base: Uma Rede Neural Convolucional desenhada manualmente com seis blocos convolucionais, normalização por lote (batch normalization), dropout e uma saída sigmoide para classificação binária.
2. Modelos de Transfer Learning: Quatro arquiteturas pré-treinadas (Xception, VGG16, MobileNetV2 e EfficientNetV2L) inicializadas com pesos do ImageNet. O estudo enfatizou a adesão estrita aos protocolos de pré-processamento específicos de cada modelo (por exemplo, intervalos de normalização específicos e ordenação de canais) para garantir a compatibilidade com as distribuições originais de treinamento.
3. Vision Transformer (ViT): Um modelo ViT-Base (Patch16, 224×224) ajustado (fine-tuned) no conjunto de dados marítimo, aproveitando mecanismos de autoatenção para capturar dependências contextuais globais.

O desempenho foi avaliado utilizando precisão de treinamento/teste, Erros do Tipo I (falso positivo) e Tipo II (falso negativo), tamanho do modelo (MB) e tempo de processamento computacional em uma sequência de vídeo de 37 segundos.

Principais Contribuições
O artigo descreve quatro contribuições primárias:

1. Comparação Arquitetural Sistemática: Uma avaliação abrangente de seis modelos distintos (CNN base, quatro variantes de transfer learning e ViT) utilizando um framework multi-métrica que inclui tipos de erro e eficiência computacional, não apenas precisão.
2. Framework Metodológico para Pré-processamento: Um guia detalhado e reproduzível sobre a aplicação de pipelines de pré-processamento específicos de modelos em transfer learning, abordando uma lacuna comum na literatura onde o pré-processamento é frequentemente descrito de forma insuficiente ou aplicado de maneira inconsistente.
3. Avaliação Baseada em Cenários: Uma análise do desempenho dos modelos a partir de uma perspectiva de implantação prática, considerando conjuntamente o tamanho do modelo, velocidade de processamento e taxas de erro para determinar a adequação para dispositivos de borda (edge devices) versus sistemas de alta capacidade.
4. Diretrizes Práticas: Recomendações baseadas em evidências para a seleção de modelos na monitoração marítima, distinguindo entre necessidades leves para ambientes de recursos limitados e necessidades de alta precisão para vigilância centralizada.

Resultos
Os resultados experimentais indicaram variações significativas de desempenho baseadas no design arquitetural e nas restrições computacionais:

• Vision Transformer (ViT): Alcançou o maior desempenho geral com 100% de precisão tanto no treinamento quanto no teste. Registrou as menores taxas de erro (1 erro do Tipo I, 3 erros do Tipo II) e o tempo de processamento de vídeo mais rápido (30,97 segundos para um clipe de 37 segundos).
• Modelos de Transfer Learning:
  • Xception e VGG16 demonstraram forte desempenho (99–100% de precisão) com tempos de processamento moderados (~32 segundos).
  • MobileNetV2 ofereceu o menor tamanho de modelo (10 MB) e velocidade razoável (34,08 segundos), mas exibiu taxas de erro ligeiramente superiores em comparação ao ViT.
  • EfficientNetV2L, apesar de possuir o maior número de parâmetros (117M) e tamanho de modelo (462,5 MB), resultou no tempo de processamento mais lento (183,23 segundos).
• CNN Base: Desempenhou bem (99% de precisão) com um tamanho de modelo moderado (23,2 MB), mas foi mais lenta que os modelos ViT e Xception.

Significância e Alegações
O artigo afirma que, embora nenhuma arquitetura seja universalmente ideal, o Vision Transformer (ViT) oferece maior confiabilidade e velocidade para a detecção de objetos marítimos quando os recursos computacionais são suficientes. O estudo destaca que as arquiteturas baseadas em transformadores capturam efetivamente as relações contextuais globais, proporcionando uma vantagem em cenas marítimas complexas com variações de escala e iluminação.

Inversamente, os autores observam que arquiteturas leves como a MobileNetV2 continuam valiosas para sistemas de borda com capacidade de hardware limitada, apesar de potenciais taxas de erro mais altas. A pesquisa ressalta que a seleção de modelos deve ser guiada por um equilíbrio entre precisão de detecção, eficiência computacional e restrições operacionais. Ao fornecer um framework de pré-processamento estruturado e uma avaliação multi-métrica, o estudo visa melhorar a reprodutibilidade e a implantação prática de sistemas de vigilância marítima impulsionados por IA.