La detección y clasificación de buques en imágenes satelitales es una tarea fundamental en múltiples aplicaciones, desde la vigilancia marítima hasta la gestión del tráfico marítimo. Esta tecnología permite monitorear grandes extensiones de agua de manera eficiente y obtener información valiosa sobre la actividad marítima.
La detección de buques consiste en identificar la presencia de un barco en una imagen satelital. Tradicionalmente, se han utilizado técnicas de procesamiento de imágenes basadas en características como la forma, el tamaño y el contraste. Sin embargo, en los últimos años, el aprendizaje profundo y las redes neuronales convolucionales (CNN) han revolucionado este campo, permitiendo una detección más precisa y robusta.
Principales desafíos en la clasificación:
- Poca variabilidad visual: Muchos tipos de barcos pueden tener una apariencia similar, lo que dificulta su distinción.
- Oclusiones: Parte del barco puede estar oculta por otros objetos o por el agua, lo que reduce la información disponible para la clasificación.
- Escasa cantidad de datos: Uno de los mayores desafíos es la escasez de datos etiquetados para entrenar los modelos de clasificación. Obtener imágenes satelitales de alta resolución con anotaciones precisas de los diferentes tipos de barcos puede ser costoso y laborioso.
La escasez de datos etiquetados es un problema común en muchos campos de la visión por computadora, y la clasificación de buques no es una excepción. Entrenar un modelo de aprendizaje profundo requiere una gran cantidad de datos para generalizar y evitar el sobreajuste.
Estrategias para abordar este problema:
- Aumento de datos: Aplicar técnicas de aumento de datos para generar nuevas imágenes a partir de las existentes, como rotaciones, escalados, recortes y cambios de brillo.
- Transfer learning: Utilizar modelos preentrenados en grandes conjuntos de datos (como ImageNet) y adaptarlos a la tarea específica de clasificación de buques.
- Aprendizaje activo: Seleccionar de forma inteligente las imágenes a etiquetar para maximizar el rendimiento del modelo con el menor esfuerzo.
- Generación de datos sintéticos: Crear imágenes sintéticas de barcos utilizando herramientas de renderizado 3D.
- Aprendizaje con Pocos Ejemplos: La combinación de técnicas y modelos de clasificación permite realizar este tipo de trabajo aun con un número muy reducido de imágenes de referencia.
Entradas del modelo
En el caso de SEDA, se ha optado por la técnica de Aprendizaje con Pocos Ejemplos, ya que el número de imágenes de referencia era tan escaso, que el resto de técnicas eran inviables.
El Aprendizaje con Pocos Ejemplos es una rama del aprendizaje automático que busca entrenar modelos con un número limitado de muestras etiquetadas. En el contexto de la detección de buques en imágenes satelitales, esto implica desarrollar modelos capaces de identificar nuevos tipos de buques con solo unos pocos ejemplos de entrenamiento.
Las características ideales para este tipo de aprendizaje, y que por tanto el dato de entrada de modelo debe cumplir es la Alta Resolución, para poder llevar a cabo una detección precisa de buques debe ser superior a 0,5m/px. Además, el uso de alta resolución facilita la extracción de características del elemento, lo que permite realizar comparaciones más precisas entre ellos. Por otro lado, las imágenes ópticas ofrecen una representación visual detallada de los objetos, por lo que para este caso de uso concreto, lo ideal sería utilizar este tipo de imágenes.
Salidas del modelo
SEDA incluye una solución basada en redes neuronales convolucionales (CNN) para analizar imágenes Ópticas de Alta Resolución, generando como salida, la detección del elemento buscado. Este elemento será aportado por el usuario previamente en un fichero ZIP que contiene las imágenes de referencia del buque buscado.
En la siguiente imagen se ofrece un ejemplo del buque de referencia que se pretende buscar:
A continuación, se ofrece el resultado del buque detectado en una imagen Pleiades Neo.
Como resultado, SEDA ofrece la posibilidad de descargar informes en formatos personalizados como PowerPoint, o informes en formatos estandarizados como KML, NVG o Shapefile. Además, también se ofrece la posibilidad de obtener informes en formatos OTAN como ISRSREP y RECCEXREP o la imagen analizada en formato NSIF.
Aplicaciones
Este tipo de detecciones presentan un amplio abanico de aplicaciones prácticas. En el ámbito marítimo, esta tecnología permite monitorizar el tráfico marítimo en tiempo real, detectar actividades ilícitas como la pesca ilegal o el tráfico de personas, y evaluar el impacto ambiental de las operaciones marítimas. En el sector de la defensa y seguridad, esta tecnología es fundamental para la vigilancia marítima, la detección de amenazas y la protección de infraestructuras críticas.
ES 
EN