Uma Abordagem Leve para Detecção de Embarcações Utilizando Redes Neurais Sem Pesos e Regressão
Authors:
Autores
| Person role | Person | |
|---|---|---|
|
7668 |
3303,3270
|
|
|
7669 |
3303,3270
|
Informations:
Pesc publication
A detecção automática de embarcações em ambientes marítimos representa um desafio significativo na visão computacional, devido à variabilidade de condições ambientais, reflexos da superfície da água e diversidade de perfis e proporções dos navios. Este trabalho propõe o desenvolvimento de um sistema leve e eficiente para a detecção de embarcações em imagens óticas, denominado SOD-Edge (Single Object Detection for Edge Computing), com foco na viabilidade em sistemas embarcados de baixo consumo energético. A metodologia combina a extração de características a partir de redes neurais convolucionais eficientes com o uso de Redes Neurais Sem Pesos (WiSARD) para classificação e diferentes estratégias de regressão para a estimativa dos parâmetros das bounding boxes, incluindo Support Vector Regression(SVR), k-Nearest Neighbors(kNN) e Regression Wisard(ReWiSARD).
Foram conduzidos experimentos em dois ambientes computacionais distintos: um ambiente em nuvem (Google Colab) e um dispositivo embarcado (Raspberry Pi 4), de modo a avaliar não apenas métricas de desempenho como acurácia, F1-score, MAE e IoU, mas também eficiência em termos de tempo de execução e consumo energético. Os resultados demonstraram que a combinação entre CNNs eficientes, WiSARD e regressão leve é capaz de fornecer desempenho competitivo em relação a modelos baseados exclusivamente em arquiteturas profundas, apresentando simultaneamente vantagens em simplicidade estrutural, eficiência temporal e consumo energético.
Este estudo reforça a relevância da exploração de alternativas às redes profundas convencionais em cenários de restrição computacional, além de evidenciar que a escolha do método de regressão pode ser orientada pelos requisitos da aplicação. Por fim, o trabalho abre perspectivas para futuras extensões voltadas à detecção de múltiplos objetos por imagem e à análise de sequências de vídeo em ambientes marítimos.
Automatic ship detection in maritime environments remains a challenging task in computer vision, mainly due to the variability of environmental conditions, water surface reflections, and the diversity of vessel profiles and proportions. This dissertation proposes the development of a lightweight and efficient system for ship detection in optical images, named SOD-Edge (Single Object Detection for Edge Computing), targeting deployment in embedded systems with limited energy resources. The methodology combines feature extraction from efficient convolutional neural networks with Weightless Neural Networks (WiSARD) for classification and multiple regression strategies for bounding box estimation, including Support Vector Regression (SVR), k-Nearest Neighbors (kNN), and a regression-based variant of WiSARD (ReWiSARD).
Experiments were conducted in two different computational environments: a cloud-based setup (Google Colab) and an embedded device (Raspberry Pi 4). The evaluation considered not only performance metrics such as accuracy, F1-score, MAE, and IoU, but also efficiency regarding runtime and energy consumption. Results show that the combination of efficient CNNs, WiSARD, and lightweight regression methods provides competitive performance compared to purely deep learning-based approaches, while offering advantages in terms of structural simplicity, runtime efficiency, and reduced energy consumption.
This study highlights the relevance of exploring alternatives to conventional deep neural networks in constrained computational scenarios and demonstrates that the choice of the regression method can be guided by application-specific requirements. Finally, it opens perspectives for future extensions involving multi-object detection and video analysis in maritime environments.