論文の概要: Deep learning-based object detection of offshore platforms on Sentinel-1 Imagery and the impact of synthetic training data

• arxiv url: http://arxiv.org/abs/2511.04304v1
• Date: Thu, 06 Nov 2025 12:13:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.41243
• Title: Deep learning-based object detection of offshore platforms on Sentinel-1 Imagery and the impact of synthetic training data
• Title（参考訳）: 深層学習に基づくセンチネル-1画像上のオフショアプラットフォームの物体検出と合成学習データの影響
• Authors: Robin Spanier, Thorsten Hoeser, Claudia Kuenzer,
• Abstract要約: オフショアインフラストラクチャ検出のための堅牢なモデルの開発は、包括的なバランスの取れたデータセットに依存している。 本研究では, 深層学習に基づく YOLOv10 オブジェクト検出モデルを, 合成画像と実際のSentinel-1 衛星画像の組み合わせで訓練することにより, モデル性能を向上させるための合成データの利用について検討する。 北海で411台、メキシコ湾で1,519台、ペルシャ湾で1,593台を含む合計3,529台が検出された。
• 参考スコア（独自算出の注目度）: 0.3823356975862005
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The recent and ongoing expansion of marine infrastructure, including offshore wind farms, oil and gas platforms, artificial islands, and aquaculture facilities, highlights the need for effective monitoring systems. The development of robust models for offshore infrastructure detection relies on comprehensive, balanced datasets, but falls short when samples are scarce, particularly for underrepresented object classes, shapes, and sizes. By training deep learning-based YOLOv10 object detection models with a combination of synthetic and real Sentinel-1 satellite imagery acquired in the fourth quarter of 2023 from four regions (Caspian Sea, South China Sea, Gulf of Guinea, and Coast of Brazil), this study investigates the use of synthetic training data to enhance model performance. We evaluated this approach by applying the model to detect offshore platforms in three unseen regions (Gulf of Mexico, North Sea, Persian Gulf) and thereby assess geographic transferability. This region-holdout evaluation demonstrated that the model generalises beyond the training areas. In total, 3,529 offshore platforms were detected, including 411 in the North Sea, 1,519 in the Gulf of Mexico, and 1,593 in the Persian Gulf. The model achieved an F1 score of 0.85, which improved to 0.90 upon incorporating synthetic data. We analysed how synthetic data enhances the representation of unbalanced classes and overall model performance, taking a first step toward globally transferable detection of offshore infrastructure. This study underscores the importance of balanced datasets and highlights synthetic data generation as an effective strategy to address common challenges in remote sensing, demonstrating the potential of deep learning for scalable, global offshore infrastructure monitoring.
• Abstract（参考訳）: 沖合の風力発電所、石油・ガスプラットフォーム、人工島、水産施設など、海洋インフラの最近の拡大は、効果的な監視システムの必要性を浮き彫りにしている。 オフショアインフラストラクチャ検出のための堅牢なモデルの開発は、包括的なバランスの取れたデータセットに依存しているが、サンプルが不足している場合には、特に表現不足のオブジェクトクラス、形状、サイズが不足する。 深層学習に基づくYOLOv10オブジェクト検出モデルと,2023年第4四半期に取得した4つの地域(カスピ海,南シナ海,ギニア湾,ブラジル沿岸)から取得した,実際のSentinel-1衛星画像の組み合わせを組み合わせることで,モデル性能を向上させるための合成トレーニングデータの利用について検討した。 本手法は,メキシコ湾,北海,ペルシャ湾の3つの未確認海域(メキシコ湾,北海,ペルシャ湾)における沖合プラットフォームの検出にモデルを適用し,地理的移動性を評価することによって評価した。 この領域ホールトアウト評価により,モデルが訓練領域を超えて一般化することが確認された。 北海で411台、メキシコ湾で1,519台、ペルシャ湾で1,593台を含む合計3,529台が検出された。 このモデルはF1スコア0.85を達成し、合成データを組み込んで0.90に改善した。 我々は、合成データが不均衡なクラスの表現と全体的なモデル性能をいかに向上させるかを分析し、オフショアインフラストラクチャのグローバルなトランスファー可能な検出に向けて第一歩を踏み出した。 本研究は、遠隔センシングにおける共通課題に対処するための効果的な戦略として、バランスのとれたデータセットの重要性を強調し、スケーラブルでグローバルなオフショアインフラストラクチャ監視のためのディープラーニングの可能性を示す。

関連論文リスト

• A Sentinel-3 foundation model for ocean colour [8.571925606193703]
  我々は,Sentinel-3 Ocean and Land Colour Instrument (OLCI) のデータ再構成を事前訓練した Prithvi-EO Vision Transformer アーキテクチャを用いた新しい基礎モデルについて述べる。 2つの下流海洋地球観測課題の微調整によるモデルの評価を行った。 この新世代の地理空間AIモデルは、海洋生態系とその地球温暖化プロセスにおける役割について、より堅牢でデータ駆動的な洞察を提供する可能性を秘めている、と結論付けています。
  論文  参考訳（メタデータ） (2025-09-25T15:00:38Z)
• Neptune-X: Active X-to-Maritime Generation for Universal Maritime Object Detection [54.1960918379255]
  Neptune-Xは、海洋オブジェクト検出のためのデータ中心の生成-選択フレームワークである。 X-to-Maritime(X-to-Maritime)は、多様で現実的な海洋シーンを合成する多モード条件生成モデルである。 提案手法は,海上シーン合成における新しいベンチマークを設定し,検出精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-09-25T04:59:02Z)
• Towards Training-Free Underwater 3D Object Detection from Sonar Point Clouds: A Comparison of Traditional and Deep Learning Approaches [0.0]
  我々は,マルチビームエコー・サンダーポイント雲における人工構造物のトレーニング不要検出のための2つのパラダイムを開発し,比較する。 我々の2つのアプローチは、最先端のニューラルネットワークのための合成トレーニングデータを生成する物理ベースのソナーシミュレーションパイプラインと、堅牢なモデルベースのテンプレートマッチングシステムを組み合わせたものです。 本研究は,水中ドメインにおけるデータハングリー深層学習に関する従来の知恵に挑戦し,非トレーニング型水中3D検出のための最初の大規模ベンチマークを構築した。
  論文  参考訳（メタデータ） (2025-08-22T12:08:21Z)
• Generative Lagrangian data assimilation for ocean dynamics under extreme sparsity [0.0]
  観測データから海洋力学を再構築することは、空間サンプリングのスパース、不規則、ラグランジアンの性質によって根本的に制限される。 ニューラル演算子と拡散確率モデル(DDPM)を組み合わせて高分解能海洋状態の再構成を行う深層学習フレームワークを利用する。 本手法をベンチマークシステム, 合成フロート観測, 実衛星データで検証し, 厳密な空間サンプリング制限下での頑健な性能を実証した。
  論文  参考訳（メタデータ） (2025-07-09T01:56:25Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• Tackling water table depth modeling via machine learning: From proxy observations to verifiability [0.40964539027092917]
  水テーブル深度(WTD)の空間的パターンは、生態系の回復力、水文学的な接続性、人間中心のシステムを形成する上で重要な役割を担っている。 我々は,XGBoostアルゴリズムと2000万以上の実・代用的なWTD観測を用いて,WTDの3つの微細分解能(500m)MLシミュレーションを構築した。 我々のモデルはWTDの2つのPBシミュレーションと比較して、WTDの目に見えない実・代用的な観測をより正確に予測することができる。
  論文  参考訳（メタデータ） (2024-04-30T09:05:17Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• 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。