論文の概要: Asynchronous Trajectory Matching-Based Multimodal Maritime Data Fusion
for Vessel Traffic Surveillance in Inland Waterways
- arxiv url: http://arxiv.org/abs/2302.11283v1
- Date: Wed, 22 Feb 2023 11:00:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-23 15:31:01.913072
- Title: Asynchronous Trajectory Matching-Based Multimodal Maritime Data Fusion
for Vessel Traffic Surveillance in Inland Waterways
- Title（参考訳）: 陸路における船舶交通監視のための非同期軌道整合型マルチモーダル海洋データフュージョン
- Authors: Yu Guo, Ryan Wen Liu, Jingxiang Qu, Yuxu Lu, Fenghua Zhu, Yisheng Lv
- Abstract要約: 自動識別システム(AIS)とビデオカメラは、内陸水路における船舶の交通監視に広く利用されている。
本稿では,AIS ベースの容器情報と対応する視覚的目標とを融合させる,深層学習対応非同期軌道マッチング手法を提案する。
さらに,AISと映像に基づく動作特徴を組み合わせることで,より正確で堅牢な血管追跡結果を得るための知識駆動型抗閉塞法も提案する。
- 参考スコア（独自算出の注目度）: 12.7548343467665
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The automatic identification system (AIS) and video cameras have been widely
exploited for vessel traffic surveillance in inland waterways. The AIS data
could provide the vessel identity and dynamic information on vessel position
and movements. In contrast, the video data could describe the visual
appearances of moving vessels, but without knowing the information on identity,
position and movements, etc. To further improve vessel traffic surveillance, it
becomes necessary to fuse the AIS and video data to simultaneously capture the
visual features, identity and dynamic information for the vessels of interest.
However, traditional data fusion methods easily suffer from several potential
limitations, e.g., asynchronous messages, missing data, random outliers, etc.
In this work, we first extract the AIS- and video-based vessel trajectories,
and then propose a deep learning-enabled asynchronous trajectory matching
method (named DeepSORVF) to fuse the AIS-based vessel information with the
corresponding visual targets. In addition, by combining the AIS- and
video-based movement features, we also present a prior knowledge-driven
anti-occlusion method to yield accurate and robust vessel tracking results
under occlusion conditions. To validate the efficacy of our DeepSORVF, we have
also constructed a new benchmark dataset (termed FVessel) for vessel detection,
tracking, and data fusion. It consists of many videos and the corresponding AIS
data collected in various weather conditions and locations. The experimental
results have demonstrated that our method is capable of guaranteeing
high-reliable data fusion and anti-occlusion vessel tracking.
- Abstract（参考訳）: 自動識別システム(ais)とビデオカメラは内陸水路における船舶の交通監視に広く利用されている。
AISデータは、船の位置と動きに関する容器のアイデンティティと動的情報を提供することができる。
それとは対照的に、動画データは移動船の視覚的な外観を記述できるが、身元や位置、動きなどの情報を知らない。
船舶の交通監視をさらに改善するためには、AISとビデオデータを融合して、興味のある船舶の視覚的特徴、アイデンティティ、動的情報を同時に捉える必要がある。
しかし、従来のデータ融合メソッドは、非同期メッセージ、欠落データ、ランダムな外れ値など、いくつかの潜在的な制限に容易に悩まされる。
そこで本研究では,まずaisとビデオによる容器軌跡を抽出し,次にdeepsorvfと呼ばれる深層学習可能な非同期軌道マッチング法を提案する。
さらに,AISと映像に基づく動作特徴を組み合わせることで,従来から知識駆動型抗閉塞法により,閉塞条件下での血管追跡の精度と堅牢性を示す。
DeepSORVFの有効性を検証するため、我々はまた、血管検出、追跡、データ融合のための新しいベンチマークデータセット(FVesselと呼ばれる)を構築した。
多くのビデオと、様々な気象条件や場所で収集されたAISデータで構成されている。
実験の結果,本手法は高信頼データ融合と抗閉塞血管追跡を保証できることがわかった。
関連論文リスト
- Image and AIS Data Fusion Technique for Maritime Computer Vision
Applications [1.482087972733629]
本研究では,AIS(Automatic Identification System)データと画像に検出された容器を融合させてデータセットを作成する手法を開発した。
提案手法は, 距離と方位を推定することにより, 検出した船舶を対応するAISメッセージに関連付ける。
この技術は、水路交通管理、遭遇検知、監視のためのデータセットを作成するのに有用である。
論文 参考訳（メタデータ） (2023-12-07T20:54:49Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳（メタデータ） (2023-04-27T20:21:18Z) - A CNN-LSTM Architecture for Marine Vessel Track Association Using
Automatic Identification System (AIS) Data [2.094022863940315]
本研究では,トラックアソシエーションのための1次元CNN-LSTMアーキテクチャに基づくフレームワークを提案する。
提案した枠組みは、自動識別システム(AIS)を介して収集された船舶の位置と動きデータを入力とし、最も可能性の高い船舶軌道をリアルタイムで出力として返す。
論文 参考訳（メタデータ） (2023-03-24T15:26:49Z) - SimuShips -- A High Resolution Simulation Dataset for Ship Detection
with Precise Annotations [0.0]
畳み込みニューラルネットワーク(CNN)に基づく最先端の障害物検出アルゴリズム
SimuShipsは、海洋環境向けに公開されているシミュレーションベースのデータセットである。
論文 参考訳（メタデータ） (2022-09-22T07:33:31Z) - Online Deep Clustering with Video Track Consistency [85.8868194550978]
ビデオオブジェクトトラックから視覚的特徴を学習するための教師なしクラスタリングに基づく手法を提案する。
教師なしのクラス非依存でノイズの多いトラックジェネレータを利用すれば、コストと正確なトラックアノテーションに依存するよりも精度が向上することを示す。
論文 参考訳（メタデータ） (2022-06-07T08:11:00Z) - Safe Vessel Navigation Visually Aided by Autonomous Unmanned Aerial
Vehicles in Congested Harbors and Waterways [9.270928705464193]
この研究は、従来のRGBカメラと補助的な絶対位置決めシステム(GPSなど)で捉えた長距離視覚データから未知の物体までの距離を検知し推定する最初の試みである。
シミュレーション結果は,UAV支援艦艇の視覚支援航法における提案手法の精度と有効性を示すものである。
論文 参考訳（メタデータ） (2021-08-09T08:15:17Z) - DS-Net: Dynamic Spatiotemporal Network for Video Salient Object
Detection [78.04869214450963]
時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。
提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2020-12-09T06:42:30Z) - A Spatio-temporal Track Association Algorithm Based on Marine Vessel
Automatic Identification System Data [5.453186558530502]
動的脅威環境でリアルタイムに移動する物体を追跡することは、国家安全保障と監視システムにおいて重要である。
動きの異常パターンを見つけるには、正確なデータアソシエーションアルゴリズムが必要である。
自動識別システムにより船舶の位置と姿勢の観察が収集されるとき, 海上船舶の追跡のための時間的アプローチを開発する。
論文 参考訳（メタデータ） (2020-10-29T20:11:38Z) - A Flow Base Bi-path Network for Cross-scene Video Crowd Understanding in
Aerial View [93.23947591795897]
本稿では,これらの課題に対処し,ドローンから収集した視覚的データから参加者を自動的に理解する。
クロスシーンテストで発生する背景雑音を軽減するために, 二重ストリーム群カウントモデルを提案する。
極暗環境下での集団密度推定問題に対処するために,ゲームグランドセフトオートV(GTAV)によって生成された合成データを導入する。
論文 参考訳（メタデータ） (2020-09-29T01:48:24Z) - Perceiving Traffic from Aerial Images [86.994032967469]
本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。
UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
論文 参考訳（メタデータ） (2020-09-16T11:37:43Z) - SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。
観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-08-18T03:40:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。