論文の概要: NASTaR: NovaSAR Automated Ship Target Recognition Dataset

• arxiv url: http://arxiv.org/abs/2512.18503v1
• Date: Sat, 20 Dec 2025 20:42:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.369287
• Title: NASTaR: NovaSAR Automated Ship Target Recognition Dataset
• Title（参考訳）: NASTaR:NOVASAR自動船舶目標認識データセット
• Authors: Benyamin Hosseiny, Kamirul Kamirul, Odysseas Pappas, Alin Achim,
• Abstract要約: このデータセットは、NovaSAR Sバンド画像から抽出された3415個の船のパッチからなる。 23のユニークなクラス、海岸/オフショアの分離、および船のウェイクが見えるパッチのための補助的なウェイクデータセットなどが含まれる。 ベンチマーク深層学習モデルを用いて,船型分類シナリオにおけるデータセットの適用性を検証した。
• 参考スコア（独自算出の注目度）: 1.8957631297817699
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Synthetic Aperture Radar (SAR) offers a unique capability for all-weather, space-based maritime activity monitoring by capturing and imaging strong reflections from ships at sea. A well-defined challenge in this domain is ship type classification. Due to the high diversity and complexity of ship types, accurate recognition is difficult and typically requires specialized deep learning models. These models, however, depend on large, high-quality ground-truth datasets to achieve robust performance and generalization. Furthermore, the growing variety of SAR satellites operating at different frequencies and spatial resolutions has amplified the need for more annotated datasets to enhance model accuracy. To address this, we present the NovaSAR Automated Ship Target Recognition (NASTaR) dataset. This dataset comprises of 3415 ship patches extracted from NovaSAR S-band imagery, with labels matched to AIS data. It includes distinctive features such as 23 unique classes, inshore/offshore separation, and an auxiliary wake dataset for patches where ship wakes are visible. We validated the dataset applicability across prominent ship-type classification scenarios using benchmark deep learning models. Results demonstrate over 60% accuracy for classifying four major ship types, over 70% for a three-class scenario, more than 75% for distinguishing cargo from tanker ships, and over 87% for identifying fishing vessels. The NASTaR dataset is available at https://10.5523/bris, while relevant codes for benchmarking and analysis are available at https://github.com/benyaminhosseiny/nastar.
• Abstract（参考訳）: SAR(Synthetic Aperture Radar)は、海上の船からの強い反射を捉え、撮像することにより、全天候、宇宙ベースの海洋活動監視にユニークな機能を提供する。 この領域で明確に定義された課題は、船型分類である。 船型の多様性と複雑さが高いため、正確な認識は困難であり、通常は専門的なディープラーニングモデルを必要とする。 しかし、これらのモデルは、堅牢な性能と一般化を達成するために、大規模で高品質な地上真実のデータセットに依存している。 さらに、異なる周波数と空間解像度で動作する様々なSAR衛星は、モデル精度を高めるためにより注釈付きデータセットの必要性を増幅している。 これを解決するために、NovaSAR Automated Ship Target Recognition (NASTaR)データセットを提示する。 このデータセットは、NovaSAR Sバンド画像から抽出された3415個の船のパッチで構成され、ラベルはAISデータと一致している。 23のユニークなクラス、海岸/オフショアの分離、および船のウェイクが見えるパッチのための補助的なウェイクデータセットなどが含まれる。 ベンチマーク深層学習モデルを用いて,船型分類シナリオにおけるデータセットの適用性を検証した。 その結果,4種類の船種を6割以上,3級船種を70%以上,タンカー船と貨物を区別する75%以上,漁船を識別する87%以上の精度が示された。 NASTaRデータセットはhttps://10.5523/brisで、ベンチマークと分析の関連コードはhttps://github.com/benyaminhosseiny/nastarで入手できる。

関連論文リスト

• Cross-modal Ship Re-Identification via Optical and SAR Imagery: A Novel Dataset and Method [16.8202125093375]
  海上での船の追跡は、海上捜索救助、法執行、船舶分析などの用途に不可欠である。 現在の船舶追跡手法のほとんどは静止衛星やビデオ衛星に依存している。 これらの制約に対処するため,Hybrid Optical and Synthetic Aperture Radar (SAR) Ship Re-Identificationデータセットを提案する。
  論文  参考訳（メタデータ） (2025-06-27T09:13:22Z)
• Ship Detection in Remote Sensing Imagery for Arbitrarily Oriented Object Detection [0.0]
  本研究では,海洋モニタリングや生態モニタリングなどの応用に適した,革新的な船舶検知システムを提案する。 YOLOv8と2つの高度なディープラーニングモデルであるU-Netを用いて、船舶検出精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-03-17T10:49:41Z)
• ATRNet-STAR: A Large Dataset and Benchmark Towards Remote Sensing Object Recognition in the Wild [32.95927545676425]
  本稿では,ATRNet-STARと呼ばれる大規模で新しいデータセットについて紹介する。 データセットのスケールと多様性が大幅に向上し、190,000以上の注釈付きサンプルが含まれており、これは前身の有名なMSTARの10倍である。
  論文  参考訳（メタデータ） (2025-01-23T03:42:22Z)
• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)
• 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)
• 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。