論文の概要: Maritime object classification with SAR imagery using quantum kernel methods

• arxiv url: http://arxiv.org/abs/2512.11367v1
• Date: Fri, 12 Dec 2025 08:28:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.702749
• Title: Maritime object classification with SAR imagery using quantum kernel methods
• Title（参考訳）: 量子カーネル法によるSAR画像を用いた海事物体分類
• Authors: John Tanner, Nicholas Davies, Pascal Elahi, Casey R. Myers, Du Huynh, Wei Liu, Mark Reynolds, Jingbo Wang,
• Abstract要約: イルガル、未報告、非規制漁業(IUU)は、年間100-25億ドルの世界的な経済損失を引き起こしている。 Synthetic Aperture Radar (SAR)イメージで小さな海洋オブジェクトを分類することは依然として困難である。 本稿では,量子カーネル法(QKM)に着目し,実および複雑なSARチップに適用した量子機械学習について検討する。
• 参考スコア（独自算出の注目度）: 6.702625115123094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Illegal, unreported, and unregulated (IUU) fishing causes global economic losses of \$10-25 billion annually and undermines marine sustainability and governance. Synthetic Aperture Radar (SAR) provides reliable maritime surveillance under all weather and lighting conditions, but classifying small maritime objects in SAR imagery remains challenging. We investigate quantum machine learning for this task, focusing on Quantum Kernel Methods (QKMs) applied to real and complex SAR chips extracted from the SARFish dataset. We tackle two binary classification problems, the first for distinguishing vessels from non-vessels, and the second for distinguishing fishing vessels from other types of vessels. We compare QKMs applied to real and complex SAR chips against classical Laplacian, RBF, and linear kernels applied to real SAR chips. Using noiseless numerical simulations of the quantum kernels, we find that QKMs are capable of obtaining equal or better performance than the classical kernel on these tasks in the best case, but do not demonstrate a clear advantage for the complex SAR data. This work presents the first application of QKMs to maritime classification in SAR imagery and offers insight into the potential and current limitations of quantum-enhanced learning for maritime surveillance.
• Abstract（参考訳）: イルガル、非報告、非規制(IUU)漁業は、年間100～25億ドルの世界的な経済損失をもたらし、海洋の持続可能性や統治を損なう。 SAR(Synthetic Aperture Radar)は、すべての気象および照明条件下で信頼性の高い海洋監視を提供するが、SAR画像内の小さな海洋オブジェクトの分類は依然として困難である。 本研究では,SARFishデータセットから抽出した実および複雑なSARチップに適用した量子カーネル法(QKM)に着目し,この課題に対する量子機械学習について検討する。 船舶を非船舶と区別するための第1号と、漁船を他の種類の船舶と区別する第2号の2つのバイナリ分類問題に対処する。 実SARチップに適用されたQKMと,古典ラプラシアン,RBF,および実SARチップに適用された線形カーネルを比較した。 量子カーネルのノイズレス数値シミュレーションを用いて、QKMはこれらのタスクにおいて古典的カーネルと同等以上の性能を得ることができるが、複雑なSARデータに対して明らかな優位性は示さない。 本研究は,SAR画像の海面分類にQKMを初めて応用し,海面監視のための量子強化学習の可能性と現在の限界について考察する。

関連論文リスト

• Lightweight CNNs for Embedded SAR Ship Target Detection and Classification [0.0]
  高レベルの製品を生成するためのオンボード処理は、ダウンリンクが必要なデータ量を減らすことができる。 本研究では,非焦点SARデータに基づくリアルタイム推論のためのニューラルネットワークの提案と評価を行う。
  論文  参考訳（メタデータ） (2025-08-14T14:55:19Z)
• 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)
• eQMARL: Entangled Quantum Multi-Agent Reinforcement Learning for Distributed Cooperation over Quantum Channels [98.314893665023]
  量子コンピューティングは、マルチエージェント環境における量子絡み合いと協調の潜在的なシナジーを引き起こした。 現在の最先端量子MARL(QMARL)の実装は、古典的な情報共有に依存している。 eQMARL(eQMARL)は、量子チャネル上での協調を容易にする分散型アクター批判フレームワークである。
  論文  参考訳（メタデータ） (2024-05-24T18:43:05Z)
• A Dynamical System View of Langevin-Based Non-Convex Sampling [44.002384711340966]
  非サンプリングは機械学習における重要な課題であり、ディープラーニングにおける非レート最適化の中心であり、その重要性を近似する。 既存の保証は通常、より望ましい最終段階の反復よりも平均距離のみを保持する。 我々は、理論システムからいくつかのツールを活用することにより、上記の問題を解消する新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2022-10-25T09:43:36Z)
• 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)
• 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)
• SAR-ShipNet: SAR-Ship Detection Neural Network via Bidirectional Coordinate Attention and Multi-resolution Feature Fusion [7.323279438948967]
  本稿では,ニューラルネットワークによる合成開口レーダ(SAR)画像から,事実上有意義な船舶検出問題について検討する。 本稿では,CentralNetに基づく双方向協調注意(BCA)とMRF(Multi- resolution Feature Fusion)を新たに開発したSAR-ShipNet(略してSAR-ShipNet)を提案する。 パブリックなSAR-Shipデータセットの実験結果から,SAR-ShipNetは速度と精度の両面で競争上の優位性を達成していることがわかった。
  論文  参考訳（メタデータ） (2022-03-29T12:27:04Z)
• Fully Quantized Image Super-Resolution Networks [81.75002888152159]
  効率と精度を両立させるためのフル量子化画像超解像フレームワーク(FQSR)を提案する。 我々は、SRResNet、SRGAN、EDSRを含む複数の主流超解像アーキテクチャに量子化スキームを適用した。 低ビット量子化を用いたFQSRは、5つのベンチマークデータセットの完全精度と比較すると、パー性能で実現できる。
  論文  参考訳（メタデータ） (2020-11-29T03:53:49Z)

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。