論文の概要: A Survey on SAR ship classification using Deep Learning

• arxiv url: http://arxiv.org/abs/2503.11906v1
• Date: Fri, 14 Mar 2025 22:19:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:35:15.609282
• Title: A Survey on SAR ship classification using Deep Learning
• Title（参考訳）: 深層学習を用いたSAR船舶分類に関する調査
• Authors: Ch Muhammad Awais, Marco Reggiannini, Davide Moroni, Emanuele Salerno,
• Abstract要約: 深層学習(DL)は,SAR(Synthetic Aperture Radar)船舶分類の強力なツールとして登場した。 本調査は,本領域で使用されている多種多様なDL手法を包括的に分析する。
• 参考スコア（独自算出の注目度）: 5.175998799554875
• License:
• Abstract: Deep learning (DL) has emerged as a powerful tool for Synthetic Aperture Radar (SAR) ship classification. This survey comprehensively analyzes the diverse DL techniques employed in this domain. We identify critical trends and challenges, highlighting the importance of integrating handcrafted features, utilizing public datasets, data augmentation, fine-tuning, explainability techniques, and fostering interdisciplinary collaborations to improve DL model performance. This survey establishes a first-of-its-kind taxonomy for categorizing relevant research based on DL models, handcrafted feature use, SAR attribute utilization, and the impact of fine-tuning. We discuss the methodologies used in SAR ship classification tasks and the impact of different techniques. Finally, the survey explores potential avenues for future research, including addressing data scarcity, exploring novel DL architectures, incorporating interpretability techniques, and establishing standardized performance metrics. By addressing these challenges and leveraging advancements in DL, researchers can contribute to developing more accurate and efficient ship classification systems, ultimately enhancing maritime surveillance and related applications.
• Abstract（参考訳）: 深層学習(DL)は,SAR(Synthetic Aperture Radar)船舶分類の強力なツールとして登場した。 本調査は,本領域で使用されている多種多様なDL手法を包括的に分析する。 我々は,手作り機能の統合の重要性,公開データセットの利用,データ拡張,微調整,説明可能性技術,DLモデルのパフォーマンス向上のための学際的コラボレーションの促進など,重要なトレンドと課題を特定した。 本調査は, DLモデル, 手作り特徴利用, SAR属性利用, 微調整の影響に基づいて, 関連研究を分類するための, 第一種分類法を確立した。 本稿では,SAR船の分類作業における手法と,各種技術の影響について論じる。 最後に、データ不足への対処、新しいDLアーキテクチャの探索、解釈可能性技術の導入、標準化されたパフォーマンスメトリクスの確立など、将来の研究の道のりを探る。 これらの課題に対処し、DLの進歩を活用することで、研究者はより正確で効率的な船舶分類システムの開発に貢献し、最終的には海上監視および関連するアプリケーションを強化することができる。

関連論文リスト

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• From Linguistic Giants to Sensory Maestros: A Survey on Cross-Modal Reasoning with Large Language Models [56.9134620424985]
  クロスモーダル推論(CMR)は、より高度な人工知能システムへの進化における重要な能力として、ますます認識されている。 CMRタスクに取り組むためにLLM(Large Language Models)をデプロイする最近のトレンドは、その有効性を高めるためのアプローチの新たな主流となっている。 本調査では,LLMを用いてCMRで適用された現在の方法論を,詳細な3階層分類に分類する。
  論文  参考訳（メタデータ） (2024-09-19T02:51:54Z)
• SAFE: a SAR Feature Extractor based on self-supervised learning and masked Siamese ViTs [5.961207817077044]
  マスク付きシームズ・ビジョン・トランスフォーマーをベースとした新しい自己教師型学習フレームワークを提案し,SAFEと命名された汎用SAR機能エクストラクタを提案する。 提案手法は,厳密で一般化可能な特徴を抽出し,ラベルのないSARデータに基づいてモデルを訓練するために,対照的な学習原理を利用する。 サブアパーチャ分解や非特異化など,SAR画像特有のデータ拡張技術を導入する。 我々のネットワークは、評価に使用されるセンサーの訓練を受けなくても、数ショットの分類やセグメンテーションタスクにおいて、他の最先端の手法と競合したり、超えたりしています。
  論文  参考訳（メタデータ） (2024-06-30T23:11:20Z)
• Efficient Prompt Tuning of Large Vision-Language Model for Fine-Grained Ship Classification [59.99976102069976]
  リモートセンシング(RS-FGSC)における船のきめ細かい分類は、クラス間の高い類似性とラベル付きデータの限られた可用性のために大きな課題となる。 大規模な訓練済みビジョンランゲージモデル(VLM)の最近の進歩は、少数ショット学習やゼロショット学習において印象的な能力を示している。 本研究は, 船種別分類精度を高めるために, VLMの可能性を生かしたものである。
  論文  参考訳（メタデータ） (2024-03-13T05:48:58Z)
• Automatic Speech Recognition using Advanced Deep Learning Approaches: A survey [2.716339075963185]
  近年のディープラーニング(DL)の進歩は,自動音声認識(ASR)にとって重要な課題となっている。 ASRは、秘密のデータセットを含む広範なトレーニングデータセットに依存しており、かなりの計算とストレージリソースを必要としている。 ディープトランスファーラーニング(DTL)、フェデレーションラーニング(FL)、強化ラーニング(RL)といった高度なDL技術はこれらの問題に対処する。
  論文  参考訳（メタデータ） (2024-03-02T16:25:42Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual Recognition [57.08108545219043]
  サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。 既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。 本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
  論文  参考訳（メタデータ） (2023-05-12T00:13:17Z)
• Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
  我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。 我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
  論文  参考訳（メタデータ） (2022-07-18T11:38:32Z)
• Deep Depth Completion: A Survey [26.09557446012222]
  我々は、読者が研究動向をよりよく把握し、現在の進歩を明確に理解するのに役立つ総合的な文献レビューを提供する。 ネットワークアーキテクチャ,損失関数,ベンチマークデータセット,学習戦略の設計面から,関連する研究について検討する。 室内および屋外のデータセットを含む,広く使用されている2つのベンチマークデータセットに対して,モデル性能の定量的比較を行った。
  論文  参考訳（メタデータ） (2022-05-11T08:24:00Z)
• Hyperspectral Image Classification -- Traditional to Deep Models: A Survey for Future Prospects [0.6091702876917281]
  ハイパースペクトルイメージング(HSI)は多くの現実の用途で広く利用されている。 近年,Deep Learning (DL) は強力な特徴抽出器として確立されている。 本調査では,HSICにおけるDLの体系的概要と,そのトピックの最先端戦略の比較を行った。
  論文  参考訳（メタデータ） (2021-01-15T13:59:22Z)
• Automatic Target Recognition on Synthetic Aperture Radar Imagery: A Survey [0.0]
  本稿では,SAR ATRアーキテクチャの分類法と,標準および拡張された運用条件下でのそれぞれの手法の長所と短所の比較を行う。 MSTARは標準的なSAR ATRベンチマークデータセットであるにもかかわらず、弱点を強調し、今後の研究方向性を提案する。
  論文  参考訳（メタデータ） (2020-07-04T14:22:30Z)

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。