Teses, Dissertações e Outros

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.