Preprint porovnáva CNN a vision transformery pre detekciu lodí na mori

Námorný dohľad je jednou z oblastí, kde sa počítačové videnie stretáva s veľmi praktickými obmedzeniami. Kamera môže sledovať prístav, pobrežie, hranicu alebo autonómnu loď, no obraz sa mení podľa hmly, dažďa, slnka, vĺn a vzdialenosti objektu. Nový preprint na arXive s názvom „AI for Maritime Security“ porovnáva viacero architektúr pre detekciu lodí na morskej hladine a snaží sa ukázať, kde majú zmysel ľahšie konvolučné siete a kde sa oplatí nasadiť výkonnejší vision transformer.

Autori pracujú s dátovou sadou 6 468 obrázkov pokrývajúcich rôzne poveternostné podmienky, vrátane oblačnosti, hmly, dažďa a slnečného počasia. Hodnotia šesť modelových prístupov: základnú konvolučnú neurónovú sieť, štyri transfer-learning architektúry Xception, VGG16, MobileNetV2 a EfficientNetV2L a model typu Vision Transformer. Výsledky neposudzujú iba cez jednu metriku presnosti. Sledujú aj chyby prvého a druhého typu, veľkosť modelu a čas spracovania videa.

Takéto porovnanie je užitočné práve preto, že bezpečnostné a priemyselné nasadenie nebýva súťažou o najvyššie číslo v tabuľke. Systém pri pobreží môže bežať na výkonnom serveri, ale kamera na menšom plavidle alebo v odľahlej infraštruktúre môže mať obmedzené napájanie, konektivitu aj výpočtovú kapacitu. Model, ktorý dosiahne najlepšiu presnosť v laboratóriu, nemusí byť najlepšou voľbou, ak je príliš veľký, pomalý alebo ťažko udržiavateľný v reálnom čase.

Podľa abstraktu dosiahol Vision Transformer v tejto konfigurácii najlepší celkový výkon a autori uvádzajú stopercentnú presnosť spolu s nízkymi chybovosťami a rýchlym spracovaním videa. Takýto výsledok treba čítať opatrne. Pri menšej alebo špecificky zostavenej dátovej sade môže byť stopercentná presnosť skôr signálom, že treba dôsledne preveriť rozdelenie dát, variabilitu scén a odolnosť mimo testovacej množiny. Pre prax je preto dôležitejšia samotná porovnávacia metodika a sledovanie kompromisov než jedno pôsobivé číslo.

Silnejšia stránka práce je v tom, že explicitne pomenúva nasadzovacie podmienky. Námorná bezpečnosť zahŕňa viac než identifikáciu lode na peknom obrázku. Systém môže pomáhať pri ochrane hraníc, monitorovaní prístavov, vyhľadávaní podozrivého pohybu, podpore autonómnej navigácie alebo správe rizík pri pobrežnej infraštruktúre. V každom z týchto scenárov má iný význam falošný poplach a iný význam prehliadnutý objekt. Práve preto sú chyby typu I a II v hodnotení dôležité.

Konvolučné siete zostávajú v takýchto úlohách relevantné najmä vďaka efektivite a predvídateľnosti. MobileNetV2 alebo podobné ľahšie modely môžu byť vhodnejšie tam, kde je cieľom lacná prevádzka na edge zariadení. Vision transformery naopak ťažia zo schopnosti pracovať s globálnejšími vzťahmi v obraze, čo môže pomôcť pri zložitejších scénach a variabilnom pozadí. Pre rozhodovanie prevádzkovateľa však nestačí vedieť, ktorý model vyhral v teste; treba poznať aj cenu inferencie, potrebu aktualizácie dát a správanie pri neznámych podmienkach.

Pre priemyselné tímy je preprint pripomienkou, že hodnotenie AI systémov pre bezpečnosť musí byť doménové. Všeobecné benchmarky počítačového videnia môžu byť dobrým začiatkom, ale námorné prostredie pridáva svoje špecifiká: odlesky, malé objekty na horizonte, čiastočné zakrytie, zlé počasie a rôzne typy plavidiel. Ak má systém pomáhať v prevádzke, musí sa testovať na dátach, ktoré zodpovedajú konkrétnej lokalite a riziku.

Z pohľadu AI Feed nejde o veľký produktový release, ale o užitočný výskumný signál. Ukazuje, že aplikovaná AI sa bude čoraz viac posudzovať podľa prevádzkových kompromisov, nie iba podľa presnosti na statických dátach. Pri námornom dohľade môže byť najlepšie riešenie kombináciou viacerých modelov, pravidiel a ľudského overovania. Preprint preto stojí za pozornosť ako ďalší príklad toho, ako sa vision transformery presúvajú do špecializovaných bezpečnostných úloh, kde rozhoduje nielen výkon, ale aj dôvera, auditovateľnosť a robustnosť mimo laboratória.