Fugu-MT 論文翻訳(概要): Automatic Detection of Dark Ship-to-Ship Transfers using Deep Learning and Satellite Imagery

論文の概要: Automatic Detection of Dark Ship-to-Ship Transfers using Deep Learning and Satellite Imagery

arxiv url: http://arxiv.org/abs/2404.07607v1
Date: Thu, 11 Apr 2024 09:50:05 GMT
ステータス: 処理完了
システム内更新日: 2024-04-12 14:29:24.085386
Title: Automatic Detection of Dark Ship-to-Ship Transfers using Deep Learning and Satellite Imagery
Title（参考訳）: 深層学習と衛星画像を用いた暗黒船舶船間移動の自動検出
Authors: Ollie Ballinger,
Abstract要約: 衛星画像における船間輸送を識別する研究はない。私は4種類の貨物船を正確に検出するために畳み込みニューラルネットワークを訓練します。私はこの手法をウクライナとロシアの間のケルチ海峡に適用し、2022年以降400以上のダークトランスポートイベントを特定します。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Despite extensive research into ship detection via remote sensing, no studies identify ship-to-ship transfers in satellite imagery. Given the importance of transshipment in illicit shipping practices, this is a significant gap. In what follows, I train a convolutional neural network to accurately detect 4 different types of cargo vessel and two different types of Ship-to-Ship transfer in PlanetScope satellite imagery. I then elaborate a pipeline for the automatic detection of suspected illicit ship-to-ship transfers by cross-referencing satellite detections with vessel borne GPS data. Finally, I apply this method to the Kerch Strait between Ukraine and Russia to identify over 400 dark transshipment events since 2022.
Abstract（参考訳）: リモートセンシングによる船舶検出に関する広範な研究にもかかわらず、衛星画像中の船舶間輸送を識別する研究は行われていない。違法な輸送慣行におけるトランスシップの重要性を考えると、これは大きなギャップである。次に、私は畳み込みニューラルネットワークを訓練し、PlanetScope衛星画像における4種類の貨物船と2種類の船舶船の移動を正確に検出します。次に, 船舶搭載GPSデータを用いた衛星観測により, 不正船から船への移動を疑う疑わしい船から船への移動を自動的に検出するパイプラインを精査した。最後に、この手法をウクライナとロシアの間のケルチ海峡に適用し、2022年以降400以上の暗黒輸送イベントを特定します。

関連論文リスト

DisBeaNet: A Deep Neural Network to augment Unmanned Surface Vessels for maritime situational awareness [0.0]
本稿では,海洋環境における船舶の検知・追跡のための低コスト視覚認識システムを提案する。ニューラルネットワークであるDisBeaNetは、血管を検出し、追跡し、単眼カメラから血管の距離と軸受を推定することができる。
論文参考訳（メタデータ） (2024-05-10T00:15:17Z)
Vehicle Perception from Satellite [54.07157185000604]
データセットは、GTA-Vから記録された12の衛星ビデオと14の合成ビデオに基づいて構築されている。小さなオブジェクトの検出、カウント、密度推定など、いくつかのタスクをサポートする。 128,801両は完全に注釈付けされており、各画像の車両数は0から101まで様々である。
論文参考訳（メタデータ） (2024-02-01T15:59:16Z)
Detecting Intentional AIS Shutdown in Open Sea Maritime Surveillance Using Self-Supervised Deep Learning [11.44110708925839]
開海では、オンボードトランスポンダによって送信される自動識別システム(AIS)のメッセージに頼らなければならない。インシンセア船はしばしば違法行為を隠すためにAISトランスポンダを故意にシャットダウンする。本稿では,自己教師型深層学習手法とトランスフォーマーモデルに基づく異常AIS欠落検出手法を提案する。
論文参考訳（メタデータ） (2023-10-24T07:51:29Z)
Energy-Based Models for Cross-Modal Localization using Convolutional Transformers [52.27061799824835]
GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
論文参考訳（メタデータ） (2023-06-06T21:27:08Z)
Automatized marine vessel monitoring from sentinel-1 data using convolution neural network [0.0]
本稿では,ウェーブレット変換に基づく畳み込みニューラルネットワークによるSAR画像からの物体認識手法を提案する。 Sentinel-1 SAR-Cによるインド西部沿岸域の二重分極データ取得を含む。
論文参考訳（メタデータ） (2023-04-23T18:09:44Z)
xView3-SAR: Detecting Dark Fishing Activity Using Synthetic Aperture Radar Imagery [52.67592123500567]
世界の漁業は海洋資源や生態系に大きな脅威をもたらす。夜間または夜間、全天候下で暗黒船の自動検出が可能となった。 xView3-SARは、Sentinel-1ミッションから得られた1000近い分析可能なSAR画像で構成されている。
論文参考訳（メタデータ） (2022-06-02T06:53:45Z)
Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
論文参考訳（メタデータ） (2022-04-10T19:16:58Z)
Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation [73.0103413636673]
本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。 CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
論文参考訳（メタデータ） (2021-04-29T10:06:29Z)
Automated System for Ship Detection from Medium Resolution Satellite Optical Imagery [3.190574537106449]
本研究では,ESA Sentinel-2とPlanet Labs Doveの星座から得られた低解像度衛星画像に対する船舶検出パイプラインを提案する。この光学衛星画像は、合成開口レーダー(SAR)画像に基づく既存のソリューションと比較して、地球上の任意の場所で容易に利用でき、海洋領域では利用できない。
論文参考訳（メタデータ） (2021-04-28T15:06:18Z)
FGSD: A Dataset for Fine-Grained Ship Detection in High Resolution Satellite Images [22.883300168530035]
高解像度リモートセンシング画像を用いた船舶検出は、海面規制に寄与する重要な課題である。船舶検出研究の促進を目的として, FGSD と命名された, きめ細かな船舶検出データセットを新たに導入した。このデータセットは、世界中の複数の大きな港からの船のサンプルを含む高解像度のリモートセンシング画像を集めている。
論文参考訳（メタデータ） (2020-03-15T13:54:20Z)
Drone-based RGB-Infrared Cross-Modality Vehicle Detection via Uncertainty-Aware Learning [59.19469551774703]
ドローンによる車両検出は、空中画像中の車両の位置とカテゴリーを見つけることを目的としている。我々はDroneVehicleと呼ばれる大規模ドローンベースのRGB赤外線車両検出データセットを構築した。私たちのDroneVehicleは28,439RGBの赤外線画像を収集し、都市道路、住宅地、駐車場、その他のシナリオを昼から夜までカバーしています。
論文参考訳（メタデータ） (2020-03-05T05:29:44Z)

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。