Assistance in Maritime Search and Rescue Operations through Deep Learning and Domain Adaptation

• Autores: Juan Pedro Martínez Esteso
• Directores de la Tesis: Antonio Javier Gallego Sánchez (dir. tes.)
• Lectura: En la Universitat d'Alacant / Universidad de Alicante ( España ) en 2025
• Idioma: inglés
• Número de páginas: 84
• Tribunal Calificador de la Tesis: Pedro Latorre Carmona (presid.) , José Javier Valero Mas (secret.) , Verónica Romero Gómez (voc.)
• Enlaces
  • Tesis en acceso abierto en: RUA
• Resumen

  • Esta tesis contribuye al avance del conocimiento en el ámbito de los sistemas automáticos de detección de personas en el mar mediante el uso de vehículos aéreos no tripulados (UAVs) o pilotados remotamente (RPAs), un campo de creciente interés dentro de las operaciones de búsqueda y rescate marítimo (SAR). En este tipo de misiones, el tiempo es un factor crítico, ya que la localización temprana de supervivientes puede marcar la diferencia a la hora de salvar vidas. Los UAVs y RPAs se presentan como una herramienta eficaz para ampliar el alcance visual y reducir los tiempos de respuesta, al permitir la integración de sistemas de detección basados en visión artificial que operan de manera automática y en tiempo real. Sin embargo, a pesar de los avances recientes en el campo del aprendizaje profundo, el desarrollo de sistemas fiables y generalizables para este contexto sigue siendo un desafío debido a la escasez de datos reales, la gran variabilidad de las condiciones marítimas, la dificultad de detectar objetos de tamaño reducido y las limitaciones computacionales de los sistemas embebidos. El trabajo de investigación desarrollado en esta tesis aborda de manera integral estos desafíos, proponiendo soluciones metodológicas y técnicas que mejoran tanto la precisión como la viabilidad operativa de los sistemas de detección marítima. En primer lugar, se realiza una revisión exhaustiva del estado del arte en la detección de personas en el mar a partir de imágenes aéreas, identificando las tendencias, limitaciones y líneas de investigación emergentes. Este estudio permite situar el trabajo en su contexto científico, ofreciendo una visión global de las metodologías existentes, desde los enfoques clásicos basados en técnicas tradicionales hasta los más recientes modelos de redes neuronales profundas, y destacando la importancia de la generación sintética de datos como medio para mitigar la falta de colecciones reales anotadas. A partir de este análisis, se propone un nuevo enfoque de detección que aprovecha el potencial de los datos sintéticos generados, junto con modificaciones específicas sobre la arquitectura YOLOv5, con el fin de mejorar su robustez, capacidad de adaptación y rendimiento en la detección de objetivos de pequeño tamaño en condiciones adversas. El método introduce un nuevo módulo de extracción de muestras y estrategias de aumentado de datos orientadas a la tarea, logrando una mejora significativa en la precisión media (mAP) respecto a los modelos base del estado del arte, manteniendo al mismo tiempo un equilibrio favorable entre eficiencia y consumo de recursos. Posteriormente, se plantea una metodología de adaptación no supervisada entre dominios que permite transferir el conocimiento adquirido en el dominio sintético a escenarios reales sin requerir anotaciones manuales. Dicha estrategia combina una arquitectura basada en Domain-Adversarial Neural Networks (DANN) con un proceso iterativo de pseudo-labeling, que refina progresivamente el modelo al incorporar predicciones de alta confianza sobre los datos del dominio objetivo. Los resultados experimentales demuestran una mejora sustancial en la capacidad de generalización y robustez del modelo, incluso bajo condiciones ambientales diversas, manteniendo una arquitectura ligera y adecuada para su despliegue en UAVs. El conjunto de contribuciones que sustentan esta tesis se encuentra avalado por tres publicaciones principales: dos artículos publicados en revistas internacionales de alto impacto y un tercer trabajo actualmente en revisión, todos ellos centrados en el ámbito de la búsqueda y rescate de personas en el mar. Además, se incluyen tres publicaciones adicionales en el área de Optical Music Recognition (OMR), cuyos resultados metodológicos complementan y fortalecen el marco científico de la tesis, especialmente en lo relativo a la escasez de datos y la generalización de modelos de aprendizaje profundo. Tras la realización de esta tesis, se puede concluir que el uso combinado de generación sintética de datos, técnicas de Domain Adaptation y arquitecturas ligeras constituye una vía prometedora hacia el desarrollo de sistemas de detección automáticos más precisos, eficientes y generalizables en contextos marítimos reales. Aun así, existen líneas de investigación abiertas que podrían explorarse en el futuro, como la evaluación de nuevas arquitecturas de detección de objetos, el uso de mecanismos de atención para mejorar la transferencia de características relevantes, la exploración de estrategias "multi-source" de adaptación al dominio para capturar mejor la variabilidad de las condiciones reales, y el empleo de redes generativas orientadas a incrementar el realismo de los datos sintéticos. Estas direcciones apuntan hacia el desarrollo de sistemas cada vez más autónomos, capaces de integrarse en operaciones reales de búsqueda y rescate marítimo y contribuir activamente a la protección de la vida humana en el mar.