Fugu-MT 論文翻訳(概要): Sea-Scan: High-Accuracy, ML-based Dark Vessel Detection and Localisation via Weakly Supervised DAS Monitoring

論文の概要: Sea-Scan: High-Accuracy, ML-based Dark Vessel Detection and Localisation via Weakly Supervised DAS Monitoring

arxiv url: http://arxiv.org/abs/2606.21326v1
Date: Fri, 19 Jun 2026 11:14:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-25 14:22:26.569825
Title: Sea-Scan: High-Accuracy, ML-based Dark Vessel Detection and Localisation via Weakly Supervised DAS Monitoring
Title（参考訳）: Sea-Scan: 高精度、MLベースのダーク容器検出と、弱監視DASモニタリングによる局所化
Authors: Tian Tian, Agastya Raj, Lara Flanagan, John Kennedy, Marco Ruffini,
Abstract要約: 本稿では,不完全なAISラベルから弱い監視を訓練したMLに基づく血管検出・局所化システムを提案する。 97.8%の検知率と1.98%の偽トリガーレートを達成し、ラベルのないデータから暗い容器のイベントを識別することに成功した。
参考スコア（独自算出の注目度）: 3.481826544184847
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present an ML-based vessel detection and localization system, trained with weak supervision from imperfect AIS labels, that achieves a 97.8% detection rate at 1.98% false-trigger rate, successfully identifies dark-vessel events from unlabeled data.
Abstract（参考訳）: 本研究では,不完全なAISラベルから弱い監視で訓練されたMLに基づく血管検出・局所化システムについて,9.8%の偽トリガーレートで検出し,未ラベルデータから暗血管イベントを識別することに成功した。

関連論文リスト

Calibration Without Comprehension: Diagnosing the Limits of Fine-Tuning LLMs for Vulnerability Detection in Systems Software [1.0026496861838445]
CWE-Traceは、手動でキュレートされたLinuxカーネルサンプルから構築された脆弱性検出フレームワークである。対象でない検出,ターゲット検出,CWE分類において,8つのバニラLLMと15のLORA微調整変異体を評価した。
論文参考訳（メタデータ） (2026-06-18T17:19:26Z)
Anomaly Detection for Electro-Hydrostatic Actuators using LSTM Autoencoder [0.3262230127283452]
本研究では、制御されたテストベンチから収集した温度と圧力データに着目し、EHAセンサ信号のオフライン異常検出フレームワークを提案する。本手法では, 復元型Long Short-Term Memory(LSTM)オートエンコーダを用いて, 検証セットの復元エラー分布を用いて校正・評価を行う。 LSTMオートエンコーダの平均精度は99.0%、精度は100%、リコールは90.2%から99.6%、F1スコアは93.1%から99.8%に向上し、高い検出感度と非常に低い偽値を示した。
論文参考訳（メタデータ） (2026-06-03T17:37:21Z)
VeriCWEty: Embedding enabled Line-Level CWE Detection in Verilog [12.133186244228037]
本稿では,モジュールおよびラインレベルの粒度の両方でバグを検出し,分類する埋め込み型バグ検出フレームワークを提案する。 CWE-1244 や CWE-1245 などの共通 CWE を 89% の精度で検出し,96% の精度でラインレベルのバグを検出する。
論文参考訳（メタデータ） (2026-04-15T19:25:57Z)
Anomaly Detection of Tabular Data Using LLMs [54.470648484612866]
我々は,事前訓練された大規模言語モデル (LLM) がゼロショットバッチレベルの異常検出器であることを示す。本稿では,実異常検出におけるLCMの潜在性を明らかにするために,エンドツーエンドの微調整手法を提案する。
論文参考訳（メタデータ） (2024-06-24T04:17:03Z)
Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
論文参考訳（メタデータ） (2024-05-01T12:03:39Z)
Credible Teacher for Semi-Supervised Object Detection in Open Scene [106.25850299007674]
Open Scene Semi-Supervised Object Detection (O-SSOD)では、ラベル付きデータはラベル付きデータで観測されていない未知のオブジェクトを含む可能性がある。より不確実性が、偽ラベルのローカライズと分類精度の低下につながるため、主に自己学習に依存する現在の手法には有害である。我々は,不確実な擬似ラベルがモデルに誤解をもたらすのを防ぐための,エンドツーエンドのフレームワークであるCredible Teacherを提案する。
論文参考訳（メタデータ） (2024-01-01T08:19:21Z)
Smart Metering System Capable of Anomaly Detection by Bi-directional LSTM Autoencoder [0.6649973446180738]
異常検出は、障害検出、システム監視、イベント検出といった幅広い応用に関係している。本稿では,スマート計測システムで観測された異常な異常検出手法を提案する。 BiLSTMベースのオートエンコーダが使われ、異常なデータポイントが見つかる。
論文参考訳（メタデータ） (2021-12-06T12:34:59Z)
Realtime Robust Malicious Traffic Detection via Frequency Domain Analysis [14.211671196458477]
本稿では,リアルタイムMLに基づく不正なトラフィック検出システムであるWhisperを提案する。 42種類の攻撃で実験したところ、ウィスパーは様々な高度なステルス攻撃を正確に検出でき、少なくとも18.36%の改善が達成された。様々な回避攻撃の下でも、Whisperは検出精度の約90%を維持することができる。
論文参考訳（メタデータ） (2021-06-28T13:38:05Z)
Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文参考訳（メタデータ） (2021-06-22T16:53:09Z)
Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
物体検出に適した確実な擬似ラベルを導入する。我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
論文参考訳（メタデータ） (2021-06-01T01:32:03Z)

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。