論文の概要: SAR Vessel Detection and Gross Tonnage Estimation from Heterogeneous Datasets for Dark Vessel Identification

• arxiv url: http://arxiv.org/abs/2607.18051v1
• Date: Mon, 20 Jul 2026 15:23:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.675974
• Title: SAR Vessel Detection and Gross Tonnage Estimation from Heterogeneous Datasets for Dark Vessel Identification
• Title（参考訳）: 暗黒容器識別のための不均一データセットからのSAR容器検出とグロストナージ推定
• Abstract要約: 本稿では,血管検出とGT回帰のためのエンドツーエンドディープラーニングモデルをトレーニングするためのフレームワークを提案する。 提案手法は, 船舶の位置, 船舶タイプ, 物理的寸法を予測するマルチタスクDLフレームワークと, 船舶サイズとカテゴリーからGTを予測する非パラメトリックモデルを組み合わせたものである。 実験の結果,各サブタスクにおける最先端モデルと競合しながら,複数の出力を予測できることがわかった。
• 参考スコア（独自算出の注目度）: 8.506766443396224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting vessels engaging in illegal activities is of paramount importance for maritime security. One of the major goals is to detect dark vessels, ships that disable their transponders to evade surveillance. Deep Learning (DL) models can detect vessels in Synthetic Aperture Radar (SAR) images, enabling maritime traffic analysis regardless of weather or visibility conditions. However, to detect potential dark vessels, a DL model must select only those that are required to carry a transponder based on their Gross Tonnage (GT). Unfortunately, no public SAR dataset is available for training an end-to-end DL model for vessel detection and GT regression. In this work, we present a framework that leverages heterogeneous image and tabular datasets to solve this task. Our solution combines a multi-task DL framework for predicting the location, vessel type, and physical dimensions of ships, cascaded with a non-parametric model for predicting GT from vessel size and category. We perform GT regression by a KNN that measures sample similarity using a hybrid Euclidean and categorical distance. Experiments show that our solution can predict multiple outputs while remaining competitive with state-of-the-art models on individual subtasks, thus enabling the identification of dark vessels. We publish our code on GitHub https://github.com/PaltrinieriDavide/vesseldetection.
• Abstract（参考訳）: 違法な活動を行う船舶を検出することは、海上保安にとって最重要事項である。 主要な目標の1つは、監視を回避するためにトランスポンダを無効にする暗黒船を検出することである。 深層学習(DL)モデルは、SAR(Synthetic Aperture Radar)画像内の容器を検出し、天気や可視性に関わらず、海上交通の分析を可能にする。 しかしながら、潜在的な暗い容器を検出するためには、DLモデルはグロス・トンジ(Gross Tonnage, GT)に基づいてトランスポンダを運ぶために必要なもののみを選択する必要がある。 残念なことに、血管検出とGT回帰のためのエンドツーエンドのDLモデルをトレーニングするためのパブリックなSARデータセットは提供されていない。 本研究では、この課題を解決するために、異種画像と表付きデータセットを活用するフレームワークを提案する。 提案手法は, 船舶の位置, 船舶タイプ, 物理的寸法を予測するマルチタスクDLフレームワークと, 船舶サイズとカテゴリーからGTを予測する非パラメトリックモデルを組み合わせたものである。 我々は、ハイブリッドユークリッドとカテゴリー距離を用いてサンプル類似度を測定するKNNによるGT回帰を行う。 実験の結果,各サブタスクの最先端モデルと競合しながら,複数の出力を予測できることがわかった。 GitHub https://github.com/PaltrinieriDavide/vesseldetection.comにコードを公開しています。

関連論文リスト

• OSSDD - a New Open Dataset for Sentinel-1 Ship Detection [2.6346032678787807]
  OpenSARShip-Ship Detection dataset (OSSDD)は、よく知られたOpenSARShip 1.0データセットに基づいた新しいデータセットである。 15,197個のセンチネル-1振幅パッチ、VVとVHの偏光、二段式の船面、軸方向のバウンディングボックス、合計55,759隻のバウンディングボックスアノテーションを含んでいる。 データセットの構築,ダウンロード可能なデータの内容と構造,および3つの共通検出器モデルを用いた実験について論じる。
  論文  参考訳（メタデータ） (2026-08-03T09:31:49Z)
• HARBOR: Heading Analysis and Reconstruction from Behavioral Observation and Radar [0.29165586612027233]
  この研究は、単一のSAR画像を予測運動情報に変換するための完全なパイプラインを導入する。 AISデータは、容器型依存運動パラメータを導出するために、オフラインキャリブレーションフェーズでのみ使用される。 実COSMO-SkyMed SAR画像を用いたケーススタディでは、パイプラインが動きの傾向を抽出する能力を示している。
  論文  参考訳（メタデータ） (2026-06-12T00:57:26Z)
• WUTDet: A 100K-Scale Ship Detection Dataset and Benchmarks with Dense Small Objects [68.44670476527155]
  WUTDetは100,576イメージと381,378のアノテートされた船舶インスタンスを備えた大規模な船舶検出データセットである。 CNN, Transformer, Mambaの3つの主流検出アーキテクチャから20のベースラインモデルを体系的に評価した。 Ship-GENの結果は、WUTDetでトレーニングされたモデルは、異なるデータ分布下でより強力な一般化を示すことを示している。
  論文  参考訳（メタデータ） (2026-04-09T03:28:05Z)
• Predicting Barge Tow Size on Inland Waterways Using Vessel Trajectory Derived Features: Proof of Concept [0.0]
  本研究では,機械学習(ML)を用いた曳航船数予測にAIS(Automatic Identification System)船体追跡データを用いた新しい手法を提案する。 モデルの訓練と試験のために、ミシシッピ川下流の衛星シーンからバージのインスタンスが注釈付けされた。 提案手法は,MDA(Maritime Domain Awareness)を,ロックスケジューリング,ポート管理,および貨物計画に強力な応用で拡張する,スケーラブルで容易に実装可能な手法を提供する。
  論文  参考訳（メタデータ） (2025-10-28T01:51:23Z)
• 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)
• 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)
• CBW: Towards Dataset Ownership Verification for Speaker Verification via Clustering-based Backdoor Watermarking [85.68235482145091]
  大規模音声データセットは貴重な知的財産となった。 本稿では,新しいデータセットのオーナシップ検証手法を提案する。 我々のアプローチはクラスタリングに基づくバックドア透かし(CBW)を導入している。 我々は,ベンチマークデータセットに対する広範な実験を行い,本手法の有効性とロバスト性を検証した。
  論文  参考訳（メタデータ） (2025-03-02T02:02:57Z)
• 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)
• LiDAR View Synthesis for Robust Vehicle Navigation Without Expert Labels [50.40632021583213]
  我々は、危険な位置で物理的に運転することなく、新しい視点からLiDAR点雲を合成することを提案する。 我々は、LiDARスキャンを入力とし、将来の軌跡を出力として予測するディープラーニングモデルを訓練する。 次に、この予測軌道にウェイポイントコントローラを適用して、エゴ車両のスロットルおよびステアリングラベルを決定する。
  論文  参考訳（メタデータ） (2023-08-02T20:46:43Z)
• Anomalous NO2 emitting ship detection with TROPOMI satellite data and machine learning [0.08602553195689512]
  2021年からは、北海とバルト海で活動する船舶に対して、より要求の高い$textNO_text2$の排出制限が導入された。 本研究では,TROPOMI衛星データに基づく機械学習モデルの組み合わせを用いて,潜在的に適合しない船舶の自動選択手法を提案する。
  論文  参考訳（メタデータ） (2023-02-24T16:54:47Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• ABOShips -- An Inshore and Offshore Maritime Vessel Detection Dataset with Precise Annotations [0.17205106391379021]
  沿岸および沖合のデータセットの海洋容器検出は例外ではない。 異なる要因を考慮に入れた海上船舶画像のデータセットを収集した。 船体インスタンス(9種類の船を含む)、シーマーク、各種のフローターが正確に注釈付けされた。 4つの主成分検出アルゴリズムのアウト・オブ・ボックス性能を評価した。
  論文  参考訳（メタデータ） (2021-02-11T07:05:33Z)

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。