論文の概要: Deep Learning based Detection of Fishing Vessels and Fishing Monitoring using Nightlight Images

• arxiv url: http://arxiv.org/abs/2608.09360v1
• Date: Mon, 10 Aug 2026 09:39:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.187492
• Title: Deep Learning based Detection of Fishing Vessels and Fishing Monitoring using Nightlight Images
• Title（参考訳）: 夜間画像を用いた深層学習による漁船の検出と漁獲監視
• Abstract要約: 本研究では,SDGSAT-1衛星からの夜間光(NTL)画像を用いた小型漁船の発見手法を提案する。 ダブルブランチのYOLO11アーキテクチャは、10メートルのパンクロマティック画像と40メートルのRGB画像の両方を活用するために開発された。 このモデルは、2022-23の時間データセットにまたがる31525のコンテナインスタンスを検出した。
• 参考スコア（独自算出の注目度）: 0.1772095614209056
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The demand for maritime surveillance has given rise to the need for monitoring fishing vessel activities, particularly in addressing the challenge of "dark vessels" that operate without Automatic Identification System (AIS) transmission. This study presents a novel approach for detecting small-scale fishing vessels using nighttime light (NTL) imagery from the SDGSAT-1 satellite, combined with deep learning techniques to enhance fishing monitoring awareness along the western coast of India. A dual-branch YOLO11 architecture was developed to exploit both the 10-meter panchromatic and 40-meter RGB imagery from SDGSAT-1. The custom model architecture was specifically optimized for small object detection in NTL imagery, featuring parallel convolutional backbones that process both modalities before concatenation for enhanced feature extraction. The dual-branch YOLO11 model demonstrated optimal performance with a precision of 0.99, recall of 0.93, F1-score of 0.96, and mAP@50 of 0.96, significantly outperforming single-branch implementations of YOLOv5s, YOLOv8s, and standard YOLO11s architectures. When applied to the western coast of India, the model detected 31525 vessel instances across the temporal dataset spanning 2022-23. Cross-matching analysis with AIS data revealed that only 7146 (22.7%) of detected vessels had corresponding AIS transmissions, while 24379 (77.3%) were identified as potential dark vessels. Spatio-temporal analysis showed peak fishing activity during January-April, with a primary activity corridor parallel to the coastline within 50-100 km, corresponding to productive continental shelf areas. This research contributes to maritime surveillance capabilities by highlighting the effectiveness of nighttime lights satellite imagery for fishing vessel detection and provides valuable insights into fishing patterns and potential regulatory compliance issues in Indian waters.
• Abstract（参考訳）: 海上監視の需要は、特に自動識別システム(AIS)を使わずに活動する「暗黒船」の課題に対処するために、漁船の活動を監視する必要性を生じさせている。 本研究では,SDGSAT-1衛星からの夜間光(NTL)画像と深層学習技術を組み合わせた小型漁船検出手法を提案する。 デュアルブランチのYOLO11アーキテクチャは、SDGSAT-1の10メートルのパンクロマティック画像と40メートルのRGB画像の両方を活用するために開発された。 カスタムモデルアーキテクチャは、NTL画像の小さなオブジェクト検出のために特別に最適化され、並列な畳み込みバックボーンが特徴抽出の強化のために結合する前に両方のモダリティを処理する。 デュアルブランチのYOLO11モデルは、精度0.99、リコール0.93、F1スコア0.96、mAP@50で最適性能を示し、YOLOv5s、YOLOv8s、標準のYOLO11sアーキテクチャのシングルブランチ実装を著しく上回った。 インド西海岸に適用されると、2022-23の時間データセットにわたって31525のコンテナインスタンスが検出された。 AISデータによるクロスマッチング分析の結果、検出された船のうち7146隻(22.7%)がAISの送信に対応しており、24379隻(77.3%)が潜在的な暗黒船であると判明した。 時空間分析の結果,1月から4月にかけてのピーク漁業活動,50～100km以内の海岸線に平行な一次活動回廊が大陸棚生産地に対応していた。 本研究は,漁船検出における夜間光衛星画像の有効性を明らかにすることにより,海洋監視機能に寄与し,インド海域における漁業のパターンや規制遵守問題に対する貴重な知見を提供する。

関連論文リスト

• 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)
• Enhancing Maritime Domain Awareness on Inland Waterways: A YOLO-Based Fusion of Satellite and AIS for Vessel Characterization [0.0]
  内陸水路におけるMDA(Maritime Domain Awareness)は,協調システムの脆弱性によって問題視されている。 本稿では,高解像度衛星画像と自動識別システム(AIS)の容器軌道データとを融合する新しい枠組みを提案する。 You Only Look Once (YOLO) v11オブジェクト検出モデルは、船舶タイプ、バージカバー、運用状況、バージカウント、旅行方向によって、船舶やバージを検出し、特徴付けるために使用される。
  論文  参考訳（メタデータ） (2025-10-13T14:19:58Z)
• Real-Time Fish Detection in Indonesian Marine Ecosystems Using Lightweight YOLOv10-nano Architecture [0.0]
  本研究では,インドネシア海域におけるリアルタイム海洋魚検出のための最先端の深層学習モデルであるYOLOv10-nanoの実装について検討した。 YOLOv10のアーキテクチャは、CSPNetバックボーン、機能融合のためのPAN、ピラミッド空間注意ブロックなどの改善を特徴とし、効率的で正確なオブジェクト検出を可能にしている。 その結果, YOLOv10-nano は 0.966 の mAP50 と 0.606 の mAP50:95 で高い検出精度を達成し, 計算要求の低さを維持した。
  論文  参考訳（メタデータ） (2025-09-22T07:02:48Z)
• TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
  一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。 具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。 従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
  論文  参考訳（メタデータ） (2025-04-16T05:25:04Z)
• 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)
• 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)
• Enhancing Robustness of Human Detection Algorithms in Maritime SAR through Augmented Aerial Images to Simulate Weather Conditions [1.660242118349614]
  本稿では,海中SARにおける人間の検出精度を向上させることを目的として,様々な標高と地質的位置を含む頑健なデータセットを評価する。 その結果, 強化データセットを用いたモデルでは, ヒトのリコールスコアが0.891から0.911の範囲で, YOLOv5lモデルでは3.4%向上した。
  論文  参考訳（メタデータ） (2024-08-25T08:23:06Z)
• Automatized marine vessel monitoring from sentinel-1 data using convolution neural network [0.0]
  本稿では,ウェーブレット変換に基づく畳み込みニューラルネットワークによるSAR画像からの物体認識手法を提案する。 Sentinel-1 SAR-Cによるインド西部沿岸域の二重分極データ取得を含む。
  論文  参考訳（メタデータ） (2023-04-23T18:09:44Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• Deep object detection for waterbird monitoring using aerial imagery [56.1262568293658]
  本研究では,商用ドローンで収集した空中画像を用いて,水鳥の正確な検出,数え,監視に使用できる深層学習パイプラインを提案する。 畳み込み型ニューラルネットワークを用いた物体検出装置を用いて,テキサス沿岸の植民地性営巣島でよく見られる16種類の水鳥を検出できることを示す。
  論文  参考訳（メタデータ） (2022-10-10T17:37:56Z)
• 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。