論文の概要: Real-time Ship Recognition and Georeferencing for the Improvement of Maritime Situational Awareness
- arxiv url: http://arxiv.org/abs/2410.04946v1
- Date: Mon, 7 Oct 2024 11:43:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-02 01:07:35.201975
- Title: Real-time Ship Recognition and Georeferencing for the Improvement of Maritime Situational Awareness
- Title（参考訳）: リアルタイム船舶認識とジオレファレンスによる海上状況認識の改善
- Authors: Borja Carrillo Perez,
- Abstract要約: この論文は、ディープラーニングとコンピュータビジョンを活用して、リアルタイムの船舶認識とジオレファリングを促進するための調査である。
3,505枚の画像と11,625枚の船体マスクを備えた新しいデータセットであるShipSGが導入された。
カスタムリアルタイムセグメンテーションアーキテクチャであるScatYOLOv8+CBAMはNVIDIA Jetson AGX Xavier組み込みシステム用に設計されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In an era where maritime infrastructures are crucial, advanced situational awareness solutions are increasingly important. The use of optical camera systems can allow real-time usage of maritime footage. This thesis presents an investigation into leveraging deep learning and computer vision to advance real-time ship recognition and georeferencing for the improvement of maritime situational awareness. A novel dataset, ShipSG, is introduced, containing 3,505 images and 11,625 ship masks with corresponding class and geographic position. After an exploration of state-of-the-art, a custom real-time segmentation architecture, ScatYOLOv8+CBAM, is designed for the NVIDIA Jetson AGX Xavier embedded system. This architecture adds the 2D scattering transform and attention mechanisms to YOLOv8, achieving an mAP of 75.46% and an 25.3 ms per frame, outperforming state-of-the-art methods by over 5%. To improve small and distant ship recognition in high-resolution images on embedded systems, an enhanced slicing mechanism is introduced, improving mAP by 8% to 11%. Additionally, a georeferencing method is proposed, achieving positioning errors of 18 m for ships up to 400 m away and 44 m for ships between 400 m and 1200 m. The findings are also applied in real-world scenarios, such as the detection of abnormal ship behaviour, camera integrity assessment and 3D reconstruction. The approach of this thesis outperforms existing methods and provides a framework for integrating recognized and georeferenced ships into real-time systems, enhancing operational effectiveness and decision-making for maritime stakeholders. This thesis contributes to the maritime computer vision field by establishing a benchmark for ship segmentation and georeferencing research, demonstrating the viability of deep-learning-based recognition and georeferencing methods for real-time maritime monitoring.
- Abstract（参考訳）: 海上インフラが不可欠である時代には、高度な状況認識ソリューションがますます重要になっている。
光カメラシステムを使用することで、海上映像のリアルタイム利用が可能になる。
本論文は, 深層学習とコンピュータビジョンを活用して, 船舶のリアルタイム認識とジオレファレンスを, 海上状況認識の向上に役立てるものである。
3,505枚の画像と11,625枚の船体マスクを備えた新しいデータセットであるShipSGが導入された。
最先端の研究の後、カスタムリアルタイムセグメンテーションアーキテクチャであるScatYOLOv8+CBAMがNVIDIA Jetson AGX Xavier組み込みシステム向けに設計された。
このアーキテクチャは2D散乱変換と注目機構をYOLOv8に追加し、75.46%のmAPと1フレームあたり25.3msを実現し、最先端の手法を5%以上上回った。
組込みシステムの高分解能画像における小型・遠距離の船舶認識を改善するため, 改良されたスライシング機構を導入し, mAPを8%から11%改善した。
また,400mから1200mまでの船舶では最大18m,400mから1200mまでの船舶では44mの測位誤差を達成できるジオレファレンス法が提案されている。
この知見は, 船の異常な挙動の検出, カメラの完全性評価, 3次元再構成など, 現実のシナリオにも応用される。
この論文のアプローチは既存の手法より優れており、認識およびジオレファレンスされた船舶をリアルタイムシステムに統合し、海洋利害関係者の運用効率と意思決定を向上する枠組みを提供する。
この論文は、船舶のセグメンテーションとジオレファレンス研究のベンチマークを確立し、リアルタイム海洋モニタリングのためのディープラーニングに基づく認識とジオレファレンス手法の可能性を実証することによって、海洋コンピュータビジョン分野に寄与する。
関連論文リスト
- Introducing VaDA: Novel Image Segmentation Model for Maritime Object Segmentation Using New Dataset [3.468621550644668]
海上輸送産業はコンピュータビジョン人工知能(AI)の進歩によって急速に進化している
海洋環境における物体認識は、光の反射、干渉、激しい照明、様々な気象条件といった課題に直面します。
既存のAI認識モデルとデータセットは、自律ナビゲーションシステムを構成するのに限定的に適している。
論文 参考訳（メタデータ） (2024-07-12T05:48:53Z) - A Computer Vision Approach to Estimate the Localized Sea State [45.498315114762484]
本研究は, 船橋に設置した静止カメラ1台が捉えた運用用封筒内の海像の活用に焦点を当てた。
収集した画像は、深層学習モデルを訓練し、ビューフォートスケールに基づいて海の状態を自動的に認識する。
論文 参考訳（メタデータ） (2024-07-04T09:07:25Z) - Outlier detection in maritime environments using AIS data and deep recurrent architectures [5.399126243770847]
本稿では,海上監視のための深部再帰モデルに基づく手法を,公開可能な自動識別システム(AIS)データ上で提案する。
このセットアップはディープ・リカレント・ニューラルネットワーク(RNN)ベースのモデルを使用して、観測された船の動きパターンを符号化し、再構築する。
提案手法は,観測された動作パターンと再構成された動作パターンの計算誤差に対するしきい値決定機構に基づく。
論文 参考訳（メタデータ） (2024-06-14T12:15:15Z) - A Bionic Data-driven Approach for Long-distance Underwater Navigation with Anomaly Resistance [59.21686775951903]
様々な動物が環境の手がかりを使って正確なナビゲーションをしている。
動物航法にインスパイアされたこの研究は、長距離水中航法のためのバイオニックでデータ駆動のアプローチを提案する。
提案手法では,GPSシステムや地理地図を必要とせず,測地データを用いてナビゲーションを行う。
論文 参考訳（メタデータ） (2024-02-06T13:20:56Z) - 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) - A Transfer Learning-Based Approach to Marine Vessel Re-Identification [0.0]
本稿では, 海上における船舶の揺れ状況をシミュレーションし, 移動動的アライメントアルゴリズムを提案する。
平均平均精度(mAP)を10.2%改善し、最初のヒットレート(Rank1)を4.9%改善する。
論文 参考訳（メタデータ） (2022-07-29T06:36:10Z) - Remote Sensing Image Classification using Transfer Learning and
Attention Based Deep Neural Network [59.86658316440461]
本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。
提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
論文 参考訳（メタデータ） (2022-06-20T10:05:38Z) - 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) - Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。
エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。
われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
論文 参考訳（メタデータ） (2020-08-21T03:16:51Z) - Real-Time target detection in maritime scenarios based on YOLOv3 model [65.35132992156942]
ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。
Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
論文 参考訳（メタデータ） (2020-02-10T15:25:19Z)
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。