論文の概要: A CNN-LSTM Architecture for Marine Vessel Track Association Using
Automatic Identification System (AIS) Data
- arxiv url: http://arxiv.org/abs/2303.14068v2
- Date: Wed, 7 Jun 2023 00:23:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-08 18:54:09.101821
- Title: A CNN-LSTM Architecture for Marine Vessel Track Association Using
Automatic Identification System (AIS) Data
- Title（参考訳）: 自動識別システム(AIS)データを用いた船舶軌道協会のためのCNN-LSTMアーキテクチャ
- Authors: Md Asif Bin Syed and Imtiaz Ahmed
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.094022863940315
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In marine surveillance, distinguishing between normal and anomalous vessel
movement patterns is critical for identifying potential threats in a timely
manner. Once detected, it is important to monitor and track these vessels until
a necessary intervention occurs. To achieve this, track association algorithms
are used, which take sequential observations comprising geological and motion
parameters of the vessels and associate them with respective vessels. The
spatial and temporal variations inherent in these sequential observations make
the association task challenging for traditional multi-object tracking
algorithms. Additionally, the presence of overlapping tracks and missing data
can further complicate the trajectory tracking process. To address these
challenges, in this study, we approach this tracking task as a multivariate
time series problem and introduce a 1D CNN-LSTM architecture-based framework
for track association. This special neural network architecture can capture the
spatial patterns as well as the long-term temporal relations that exist among
the sequential observations. During the training process, it learns and builds
the trajectory for each of these underlying vessels. Once trained, the proposed
framework takes the marine vessel's location and motion data collected through
the Automatic Identification System (AIS) as input and returns the most likely
vessel track as output in real-time. To evaluate the performance of our
approach, we utilize an AIS dataset containing observations from 327 vessels
traveling in a specific geographic region. We measure the performance of our
proposed framework using standard performance metrics such as accuracy,
precision, recall, and F1 score. When compared with other competitive neural
network architectures our approach demonstrates a superior tracking
performance.
- Abstract（参考訳）: 海上監視では、通常と異常な船の動きパターンを区別することは、潜在的脅威をタイムリーに識別するために重要である。
一旦検出されると、必要な介入が発生するまでこれらの容器を監視し追跡することが重要である。
これを実現するために、血管の地質パラメータと運動パラメータを含む逐次観測を行い、それらをそれぞれの容器に関連付けるトラックアソシエーションアルゴリズムを用いる。
これらのシーケンシャルな観測に内在する空間的および時間的変化は、従来のマルチオブジェクト追跡アルゴリズムにとって、アソシエーションタスクを困難にする。
さらに、重複するトラックと欠落するデータの存在は、軌跡追跡プロセスをさらに複雑にする可能性がある。
これらの課題に対処するため、本研究では、このトラッキングタスクを多変量時系列問題としてアプローチし、トラックアソシエーションのための1D CNN-LSTMアーキテクチャベースのフレームワークを導入する。
この特別なニューラルネットワークアーキテクチャは、シーケンシャルな観測の間に存在する空間パターンと長期的な時間的関係をキャプチャすることができる。
訓練の過程で、基礎となる各船の軌道を学習し、構築する。
訓練を終えると、提案されたフレームワークは、自動識別システム(ais)によって収集された船舶の位置と動きデータを入力として取り、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。
提案手法の有効性を評価するため,特定地域を航行する327隻の船舶の観測データを含むAISデータセットを用いた。
提案するフレームワークの性能は,精度,精度,リコール,F1スコアなどの標準的なパフォーマンス指標を用いて測定する。
他の競合ニューラルネットワークアーキテクチャと比較すると、このアプローチは優れたトラッキング性能を示している。
関連論文リスト
- Multi-Ship Tracking by Robust Similarity metric [10.882525351991875]
マルチシップ追跡(MST)は、海上での状況認識と自律船の航法システム開発に応用されることが証明されている。
歩行者や車両のデータセットに対するマルチオブジェクト追跡(MOT)アルゴリズムによって達成された驚くべき追跡結果にもかかわらず、これらのモデルとテクニックは、船舶のデータセットに適用した場合、パフォーマンスが劣っている。
本稿では,予測ボックスと検出ボックスの両方を囲む最小の凸形状を組み込むことで,IoUの弱点に対処する。
論文 参考訳（メタデータ） (2023-10-08T14:05:10Z) - SpikeMOT: Event-based Multi-Object Tracking with Sparse Motion Features [52.213656737672935]
SpikeMOTはイベントベースのマルチオブジェクトトラッカーである。
SpikeMOTはスパイクニューラルネットワークを使用して、オブジェクトに関連するイベントストリームからスパーステンポラルな特徴を抽出する。
論文 参考訳（メタデータ） (2023-09-29T05:13:43Z) - Multi-Object Tracking by Iteratively Associating Detections with Uniform
Appearance for Trawl-Based Fishing Bycatch Monitoring [22.228127377617028]
漁業活動における漁獲監視の目的は、映像から魚の標的をリアルタイムで検出し、追跡し、分類することである。
本稿では,既存の観測中心追跡アルゴリズムに基づく新しいMOT手法を提案する。
本手法は,海洋魚種群およびMOT17種群において,一様外観の追跡目標の性能向上と最先端技術の向上を図っている。
論文 参考訳（メタデータ） (2023-04-10T18:55:10Z) - Multi model LSTM architecture for Track Association based on Automatic
Identification System Data [2.094022863940315]
トラックアソシエーションのためのLong Short-Term Memory (LSTM) ベースのマルチモデルフレームワークを提案する。
我々は、精度、リコール、F1スコアなどの標準的なパフォーマンス指標を用いて、アプローチのパフォーマンスを評価する。
論文 参考訳（メタデータ） (2023-04-04T03:11:49Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - End-to-end Tracking with a Multi-query Transformer [96.13468602635082]
マルチオブジェクトトラッキング(MOT)は、時間とともにシーン内のオブジェクトの位置、外観、アイデンティティを同時に推論する必要がある課題である。
本研究の目的は、トラッキング・バイ・ディテクト・アプローチを超えて、未知のオブジェクト・クラスに対してもよく機能するクラスに依存しないトラッキングへと移行することである。
論文 参考訳（メタデータ） (2022-10-26T10:19:37Z) - Network Level Spatial Temporal Traffic State Forecasting with Hierarchical Attention LSTM (HierAttnLSTM) [0.0]
本稿では,オープンベンチマークにホストされたPeMS(Caltrans Performance Measurement System)から,多様なトラフィック状態データセットを活用する。
我々は,低レベルから高レベルLong Short-Term Memory (LSTM) ネットワーク間のセルおよび隠れ状態とアテンションプーリング機構を統合した。
構築された階層構造は、ネットワークレベルのトラフィック状態の空間的時間的相関をキャプチャして、異なる時間スケールにまたがる依存関係を考慮に入れられるように設計されている。
論文 参考訳（メタデータ） (2022-01-15T05:25:03Z) - Spatial-Temporal Correlation and Topology Learning for Person
Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。
CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。
グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文 参考訳（メタデータ） (2021-04-15T14:32:12Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - 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) - Object Tracking through Residual and Dense LSTMs [67.98948222599849]
LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。
DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。
ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
論文 参考訳（メタデータ） (2020-06-22T08:20:17Z)
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。