Clasificación Robusta de Objetos para la Navegación Autónoma de Barcos mediante Redes Neuronales de Impulsos y Meta-Aprendizaje

Abstract

[ES] La detección y clasificación robustas de objetos en el mar es un paso importante hacia la navegación autónoma segura y la prevención de colisiones para embarcaciones marinas. Los objetos de interés (OOI) incluyen grandes embarcaciones comerciales, pequeñas embarcaciones de recreo, kayaks, otros objetos sin una firma de radar clara, así como objetos estacionarios como boyas, tierra, pilares de puentes y similares. La clasificación de objetos mediante sensores electroópticos puede abordar este problema y se ha demostrado que es una alternativa potencial a la vigilancia humana.

Este proyecto surge de la iniciativa ShippingLab e investiga enfoques alternativos y vanguardistas para la implementación de RetinaNet, detector de objetos de aprendizaje profundo, mediante computación neuromórfica y metaaprendizaje. Esto se hace con el objetivo de reducir la huella energética y los datos consumidos por el algoritmo. Aunque estas tecnologías se encuentran en las primeras etapas de desarrollo, el proyecto logra alcanzar resultados comparables a otras investigaciones contemporáneas.

Se aplicó el método de aprendizaje 'few-shot' TFA, lo que llevó a una reducción del 90% en el tiempo de entrenamiento y del 95% en el consumo de datos, al tiempo que se logró un 63,3% del rendimiento objetivo en RetinaNet. Paralelamente, se desarrolló un algoritmo para convertir el modelo RetinaNet en una red neuronal por impulsos después de trabajos previos en el campo (Rueckauer et al., Kim et al.). Este modelo mantuvo las características del original, mostrando una pérdida de rendimiento de solo el 1,6% para una ventana de tiempo simulada de 1000 ms.

[EN] Robust detection and classification of objects at sea is a major step towards safe autonomous navigation and collision avoidance for marine vessels. Objects of interest (OOI) include large commercial vessels, small leisure boats, kayaks, other objects without a clear radar signature, as well as stationary objects such as buoys, land, bridge pillars and similar. Object classification using electro-optical sensors can address this problem and has been shown to be a potential alternative to a human lookout.

This project emanates from previous work in the ShippingLab research initiative and investigates alternative, avant-garde approaches to the implementation of the RetinaNet, deep-learning object detector, by means of neuromorphic computation and few-shot meta-learning. This is done with the aim of reducing the energy footprint and data consumed by the algorithm. Although these technologies are in early stages of development, the project manages to achieve state-of-the-art results when compared to other contemporary research.

The TFA few-shot learning method was applied, leading to a reduction of 90% in the training time and 95% in the data consumption while achieving a 63.3% of the target performance on RetinaNet. In parallel, an algorithm was developed to convert the RetinaNet model into a spiking neural network following previous work in the field (Rueckauer et al., Kim et al.). This model maintained the characteristics of the original, showing a loss in performance of just 1.6% for a simulated time-window of 1000ms.