IA pour la détection des cibles des navires
Alors que le commerce international et la sécurité mondiale dépendent de plus en plus des ressources marines, la demande en matière de surveillance maritime avancée et de gestion portuaire n’a jamais été aussi grande. L’un des grands défis dans ce domaine est la détection de navires dans des environnements complexes, une tâche qui s’appuie traditionnellement sur des techniques manuelles. Ces méthodes, bien que fonctionnelles, sont souvent inadéquates dans des conditions marines dynamiques et encombrées, où les différents états de la mer, les conditions météorologiques et la taille des navires peuvent facilement perturber les efforts de détection.
La recherche dans le Revue internationale des technologies de l’information et de la communication a introduit une nouvelle approche pour la détection des cibles des navires. La recherche combine plusieurs techniques d’apprentissage profond de pointe, la version 4 de « You Only Look Once » (YOLOv4), le module d’attention par bloc convolutif (CBAM) et le mécanisme de transformateur. L’équipe composée de Weiping Zhou, Shuai Huang et Qinjun Luo de l’Université polytechnique du Jiangxi à JiuJiang, et de Lisha Yu de Shanghai Cric information Technology Co. Ltd. À Shanghai, en Chine, les a combinés en un seul programme algorithmique à la fois précis et fiable. dans l’identification des navires dans des conditions difficiles.
Les modèles d’apprentissage profond modernes et rapides tels que YOLOv4 surpassent les méthodes traditionnelles en supprimant les multiples étapes nécessaires au traitement d’une image. YOLOv4 peut scanner et classer des objets en un seul passage, ce qui le rend idéal pour la surveillance en temps réel sur de grandes étendues.
CBAM est une technique d’amélioration des fonctionnalités qui fonctionne en concentrant l’attention du modèle sur les éléments les plus importants d’une image donnée. Cela permet au système hybride d’identifier les navires même s’ils sont entourés d’autres navires, de quais, d’épaves et même d’une mer agitée. Les techniques conventionnelles ne parviennent souvent pas à distinguer un navire de l’arrière-plan dans de telles images. Le mécanisme de transformation est un système puissant qui améliore encore la capacité du modèle à traiter les caractéristiques à différents niveaux, garantissant ainsi que des détails importants ne soient pas oubliés.
L’équipe explique que cet effort combiné permet à leur système de surpasser les modèles précédents, notamment dans la détection de petits navires et de navires dans des environnements maritimes complexes. Ils ont testé l’approche sur l’ensemble de données de détection des navires en mer (SSDD), qui comprend des images de télédétection de diverses conditions marines. Leurs résultats ont démontré une vitesse et une précision supérieures, en particulier lors de l’identification de cibles mineures ou masquées. Compte tenu de l’importance cruciale d’une détection rapide et précise pour la sécurité maritime, les implications de cette amélioration sont significatives.
