論文の概要: Graph Learning-Driven Multi-Vessel Association: Fusing Multimodal Data for Maritime Intelligence

• arxiv url: http://arxiv.org/abs/2504.09197v1
• Date: Sat, 12 Apr 2025 12:45:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:52:43.026093
• Title: Graph Learning-Driven Multi-Vessel Association: Fusing Multimodal Data for Maritime Intelligence
• Title（参考訳）: グラフ学習駆動型マルチコンテナアソシエーション:海事インテリジェンスのためのマルチモーダルデータの利用
• Authors: Yuxu Lu, Kaisen Yang, Dong Yang, Haifeng Ding, Jinxian Weng, Ryan Wen Liu,
• Abstract要約: 本稿では,海中マルチモーダルデータ融合に適したグラフ学習型マルチコンテナアソシエーション(GMvA)手法を提案する。 AISとCCTVデータを統合することで、GMvAは時系列学習とグラフニューラルネットワークを活用して、血管軌跡の特徴を効果的に捉える。 実世界の海洋データセットの実験は、GMvAがマルチターゲットアソシエーションにおいて優れた精度とロバスト性を提供することを確認した。
• 参考スコア（独自算出の注目度）: 6.674254442133529
• License:
• Abstract: Ensuring maritime safety and optimizing traffic management in increasingly crowded and complex waterways require effective waterway monitoring. However, current methods struggle with challenges arising from multimodal data, such as dimensional disparities, mismatched target counts, vessel scale variations, occlusions, and asynchronous data streams from systems like the automatic identification system (AIS) and closed-circuit television (CCTV). Traditional multi-target association methods often struggle with these complexities, particularly in densely trafficked waterways. To overcome these issues, we propose a graph learning-driven multi-vessel association (GMvA) method tailored for maritime multimodal data fusion. By integrating AIS and CCTV data, GMvA leverages time series learning and graph neural networks to capture the spatiotemporal features of vessel trajectories effectively. To enhance feature representation, the proposed method incorporates temporal graph attention and spatiotemporal attention, effectively capturing both local and global vessel interactions. Furthermore, a multi-layer perceptron-based uncertainty fusion module computes robust similarity scores, and the Hungarian algorithm is adopted to ensure globally consistent and accurate target matching. Extensive experiments on real-world maritime datasets confirm that GMvA delivers superior accuracy and robustness in multi-target association, outperforming existing methods even in challenging scenarios with high vessel density and incomplete or unevenly distributed AIS and CCTV data.
• Abstract（参考訳）: 混み合った複雑な水路における海上安全の確保と交通管理の最適化には、効果的な水路監視が必要である。 しかし、現在の手法は、次元格差、ミスマッチしたターゲット数、容器スケールのばらつき、閉塞、自動識別システム(AIS)や閉回路テレビ(CCTV)といったシステムからの非同期データストリームといったマルチモーダルデータから生じる課題に苦慮している。 伝統的なマルチターゲットアソシエーション法は、特に密集した水路において、これらの複雑さに苦しむことが多い。 これらの問題を解決するために,海上マルチモーダルデータ融合に適したグラフ学習型マルチコンテナアソシエーション(GMvA)手法を提案する。 AISとCCTVデータを統合することで、GMvAは時系列学習とグラフニューラルネットワークを活用して、血管軌跡の時空間的特徴を効果的に捉える。 特徴表現を高めるために,提案手法は時間グラフの注意と時空間の注意を取り入れ,局所的およびグローバルな血管相互作用を効果的に捉える。 さらに、多層パーセプトロンベースの不確実性融合モジュールは、堅牢な類似度スコアを演算し、ハンガリーのアルゴリズムを用いて、グローバルに一貫した正確なターゲットマッチングを保証する。 実世界の海洋データセットに関する大規模な実験により、GMvAはマルチターゲットアソシエーションにおいて優れた精度とロバスト性を提供しており、高い容器密度と不完全または不均一に分散されたAISおよびCCTVデータを持つ挑戦的なシナリオにおいても、既存の手法よりも優れていることが確認された。

関連論文リスト

• MID: A Comprehensive Shore-Based Dataset for Multi-Scale Dense Ship Occlusion and Interaction Scenarios [10.748210940033484]
  海上航行行動データセット(MID)は、複雑な海上環境における船舶検出の課題に対処するために設計されている。 MIDには5,673の画像と135,884の微調整されたターゲットインスタンスが含まれており、教師付き学習と半教師付き学習の両方をサポートしている。 MIDの画像は、43の水域を横断する現実世界のナビゲーションの高精細なビデオクリップから得られたもので、天候や照明条件も様々である。
  論文  参考訳（メタデータ） (2024-12-08T09:34:23Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• Coupled Attention Networks for Multivariate Time Series Anomaly Detection [10.620044922371177]
  多変量時系列データにおける異常検出のためのアテンションベースニューラルネットワークフレームワーク(CAN)を提案する。 センサ間の関係と時間的依存関係をキャプチャするために、グローバルローカルグラフに基づく畳み込みニューラルネットワークを時間的自己認識モジュールに統合する。
  論文  参考訳（メタデータ） (2023-06-12T13:42:56Z)
• 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)
• 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)
• Estimating Latent Population Flows from Aggregated Data via Inversing Multi-Marginal Optimal Transport [57.16851632525864]
  累積カウントデータから潜在人口フローを推定する問題について検討する。 この問題は、プライバシーの問題や測定の不確実性のために個々の軌道が利用できない場合に発生する。 我々はMOTフレームワークのコスト関数を学習し,集約データからの遷移フローを推定する。
  論文  参考訳（メタデータ） (2022-12-30T03:03:23Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• Multi-UAV Path Planning for Wireless Data Harvesting with Deep Reinforcement Learning [18.266087952180733]
  本稿では,データ収集ミッションを定義するシナリオパラメータの深い変化に適応できるマルチエージェント強化学習(MARL)手法を提案する。 提案するネットワークアーキテクチャにより,データ収集タスクを慎重に分割することで,エージェントが効果的に協調できることを示す。
  論文  参考訳（メタデータ） (2020-10-23T14:59:30Z)

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。