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

Resumo Técnico: IA para Segurança Marítima – Avaliação Comparativa das Arquiteturas CNN e ViT

Definição do Problema
A segurança marítima enfrenta ameaças crescentes, incluindo o tráfico ilícito, a pesca não regulamentada e operações de embarcações furtivas, o que exige capacidades de vigilância robustas. Embora os métodos tradicionais dependam de radar, patrulhas humanas e monitoramento via satélite, eles frequentemente apresentam dificuldades no processamento em tempo real de dados multimodais e na detecção de alvos pequenos ou anômalos em condições de mar desafiadoras. Embora a Visão Computacional (VC) baseada em aprendizado profundo ofereça um caminho para automatizar a detecção e classificação, desafios significativos permanecem em relação 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 a eficácia de várias arquiteturas de aprendizado profundo — especificamente Redes Neurais Convolucionais (CNN) e Vision Transformers (ViT) — para a detecção de objetos marítimos sob diversas condições ambientais.

Metodologia
A pesquisa utilizou um conjunto de dados de imagens marítimas composto por 6.468 imagens rotuladas como "Objeto" (navio) e "Fundo" (background), capturadas sob diferentes condições climáticas (nublado, com neblina, chuvoso, ensolarado). O conjunto de dados foi particionado 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 distintas de aprendizado profundo foram avaliadas:

1. CNN Base: Uma arquitetura projetada manualmente apresentando seis blocos convolucionais, Batch Normalization, Dropout e uma camada totalmente conectada, servindo como uma linha de base controlada.
2. Modelos de Transfer Learning: Quatro arquiteturas pré-treinadas (Xception, VGG16, MobileNetV2 e EfficientNetV2L) foram ajustadas (fine-tuning). Um componente metodológico crítico envolveu a adesão aos protocolos de pré-processamento específicos de cada modelo (por exemplo, subtração da média por canal para a VGG16, normalização específica para Xception e MobileNetV2, e pré-processamento interno para EfficientNetV2L) para manter a consistência com suas distribuições originais de treinamento do ImageNet.
3. Vision Transformer (ViT): Um modelo ViT-Base (Patch16, 224×224) pré-treinado no ImageNet foi ajustado. Este modelo trata patches de imagem como sequências, utilizando mecanismos de autoatenção (self-attention) para capturar dependências contextuais globais em vez de depender apenas de operações convolucionais locais.

Todos os modelos foram treinados por até 500 épocas com interrupção precoce (early stopping). O desempenho foi avaliado usando acurácia de treinamento/teste, erros do Tipo I e Tipo II, tamanho do modelo e tempo de processamento de vídeo em um clipe de teste de 37 segundos.

Principais Contribuições
O artigo delineia quatro contribuições primárias:

• Comparação Sistemática: Uma avaliação abrangente de seis arquiteturas (uma CNN base, quatro modelos de transferência de aprendizado e um ViT) através de múltiplas métricas de desempenho, indo além da simples acurácia para incluir tipos de erro e custos computacionais.
• Estrutura Metodológica para Pré-processamento: Uma exposição detalhada dos pipelines de pré-processamento específicos exigidos para diferentes modelos de transferência de aprendizado. Os autores enfatizam que o pré-processamento inconsistente é uma fonte comum de erro em estudos comparativos e fornecem uma abordagem estruturada para garantir a reprodutibilidade.
• Avaliação Baseada em Cenários: Uma análise do desempenho dos modelos a partir de uma perspectiva de implantação prática, considerando conjuntamente o tamanho do modelo, requisitos computacionais e velocidade de processamento para determinar a adequação para dispositivos de borda (edge devices) versus sistemas de monitoramento de alta capacidade.
• Diretrizes Práticas: Recomendações baseadas em evidências para a seleção de modelos na monitoração marítima, distinguindo entre cenários que exigem eficiência leve e aqueles que demandam máxima confiabilidade de detecção.

Resultos
Os resultados experimentais indicaram que o desempenho do modelo é altamente dependente das restrições computacionais e das condições de implantação:

• Acurácia: O Vision Transformer (ViT) alcançou o maior desempenho, atingindo 100% de acurácia tanto no treinamento quanto no teste. Registrou as menores taxas de erro (1 erro do Tipo I e 3 erros do Tipo II).
• Eficiência: Contrariando a suposição de que modelos maiores são mais lentos, o modelo ViT demonstrou o tempo de processamento de vídeo mais rápido (30,97 segundos para o clipe de 37 segundos), superando até mesmo modelos leves como o MobileNetV2 (34,08 segundos) e sendo significativamente mais rápido que o EfficientNetV2L (183,23 segundos).
• Tamanho do Modelo: O modelo ViT (335,2 MB) era maior que a maioria das CNNs, mas menor que o EfficientNetV2L (462,5 MB). O MobileNetV2 permaneceu o mais compacto (10 MB), adequado para ambientes de recursos limitados.
• Convergência: O modelo ViT mostrou convergência estável com perda próxima de zero e uma Área Sob a Curva (AUC) de 1, indicando capacidade de classificação perfeita nos dados de teste.

Significância e Alegações
Os autores afirmam que, embora arquiteturas leves (ex: MobileNetV2) sejam preferíveis para dispositivos de borda com recursos computacionais limitados, o Vision Transformer oferece um desempenho geral superior para a vigilância marítima quando a capacidade computacional permite. O estudo assegura que a capacidade do ViT de capturar relações contextuais globais via mecanismos de autoatenção proporciona uma vantagem significativa na distinção de embarcações em relação a fundos de mar complexos comparado às CNNs tradicionais.

O artigo conclui que não existe uma arquitetura única que seja universalmente ótima; a escolha depende do contexto operacional específico. No entanto, para sistemas que priorizam a precisão e a confiabilidade da detecção, como proteção de fronteiras centralizada ou navegação autônoma, as arquiteturas baseadas em transformers como o ViT representam a solução de estado da arte. A pesquisa ressalta a importância de um pré-processamento rigoroso na transferência de aprendizado e fornece uma estrutura validada para implantar sistemas de visão computacional baseados em IA em aplicações reais de segurança marítima.