論文の概要: Electronic Navigational Chart Change Classification

• arxiv url: http://arxiv.org/abs/2608.20218v1
• Date: Thu, 20 Aug 2026 16:14:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.633019
• Title: Electronic Navigational Chart Change Classification
• Title（参考訳）: 電子航法チャートの分類
• Abstract要約: 水路局にとって大きな課題は、あるチャートの変更が海洋安全に重大なリスクまたは非クリティカルなリスクをもたらすかどうかを決定することである。 本研究では,EMC変化の自動分類手法を提案する。 提案手法は2つの異なる運用データセットにまたがって評価する。
• 参考スコア（独自算出の注目度）: 42.55259086694773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electronic Navigational Charts (ENCs) are geospatial vector datasets used in maritime navigation systems that represent hydrographic and navigational information such as depths, navigational aids, traffic schemes, and hazards. A major challenge for hydrographic offices is determining whether a given chart change poses a critical or non-critical risk to maritime safety. Existing workflows rely heavily on manual review and verification, which is labor-intensive, scales poorly with the volume of incoming chart updates, and introduces inter-analyst inconsistencies. To address this challenge, we propose a method for automated classification of ENC changes. We establish a baseline encoding scheme to translate complex vector data changes into a structured tabular format for classification models. The two crucial components of the encoding scheme include a spatial context encoder to enrich the change representations with surrounding geographic features, and an ENC attribute encoder to represent nuanced attribute-value descriptions of the modified objects. We evaluate the proposed approach across two distinct operational datasets, comprising 1,308 chart pairs containing over 100,000 individual chart modifications. Tuned gradient-boosted trees leveraging the proposed encoding schemes achieve accuracies of 90% and 94% on the two datasets, yielding a 5-7% improvement over default hyperparameterized models trained on encodings without spatial context and attribute embeddings. These results demonstrate the viability of integrating machine learning into operational geospatial pipelines to improve ENC maintenance and enhance maritime safety. Finally, our experiments demonstrate the effectiveness of simple location and spatial aggregation methods, providing a foundation for evaluating more sophisticated spatial representation learning techniques for this application.
• Abstract（参考訳）: 電子航法チャート(Electronic Navigational Charts、ENC)は、海洋航法システムにおいて、深度、航法補助、交通計画、ハザードといった水文・航法情報を表す地理空間ベクトルデータセットである。 水路局にとって大きな課題は、あるチャートの変更が海洋安全に重大なリスクまたは非クリティカルなリスクをもたらすかどうかを決定することである。 既存のワークフローは、労働集約的な手動のレビューと検証に大きく依存しており、入ってくるチャート更新のボリュームに悪影響を及ぼし、分析的不整合を導入する。 そこで本研究では,EMC変化の自動分類手法を提案する。 我々は、複雑なベクトルデータ変化を分類モデルのための構造化表形式に変換するためのベースライン符号化方式を確立する。 符号化方式の2つの重要な構成要素は、周囲の地理的特徴で変化表現を豊かにする空間コンテキストエンコーダと、修正されたオブジェクトのニュアンスド属性値記述を表現するECC属性エンコーダである。 提案手法は2つの異なる運用データセットにまたがって評価され,1,308組のグラフペアが10万以上の個々のチャート修正を含む。 提案した符号化スキームを活用して調整した勾配木は、2つのデータセットで90%と94%の精度を実現し、空間コンテキストや属性埋め込みのないエンコーディングでトレーニングされたデフォルトのハイパーパラメータ化モデルよりも5-7%改善した。 これらの結果は、ECNのメンテナンスを改善し、海洋安全を高めるために、機械学習を運用用地理空間パイプラインに統合する可能性を示している。 最後に,提案手法の有効性を実証し,より高度な空間表現学習技術を評価するための基盤を提供する。

関連論文リスト

• Evaluating Graph Neural Networks for Change-Criticality Classification in Maritime Navigation Charts [0.6803694299104661]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データの学習に適したニューラルネットワークのクラスである。 空間データへのそれらの適用は自然な拡張であるが、どのメッセージパス操作、アーキテクチャ構成、グラフ表現が電子航法チャート(ENC)におけるオブジェクトの変更を分類するのに最も適しているかは、比較的不明確である。
  論文  参考訳（メタデータ） (2026-09-02T17:11:08Z)
• 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)
• Dynamic Topology Awareness: Breaking the Granularity Rigidity in Vision-Language Navigation [22.876516699004814]
  VLN-CE(Vision-Language Navigation in Continuous Environments)は、高レベルの言語命令を正確で安全で長期の空間行動に基礎付けるという、中核的な課題を提示している。 露骨なトポロジカルマップは、そのようなタスクにおいて堅牢な空間記憶を提供するための重要な解決策であることが証明されている。 既存のトポロジカルプランニング手法は、"Granularity Rigidity"問題に悩まされている。 本研究では,動的トポロジカルナビゲーションのためのフレームワークであるDGNavを提案する。
  論文  参考訳（メタデータ） (2026-01-29T14:06:23Z)
• 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)
• O2Former:Direction-Aware and Multi-Scale Query Enhancement for SAR Ship Instance Segmentation [0.3611754783778107]
  合成開口レーダ(SAR)画像における船舶の船体セグメンテーションは、海上監視、環境分析、国家安全保障などの用途において重要である。 SAR船体画像は、スケール変動、物体密度、ファジィターゲット境界などの課題を示す。 我々は,SAR画像の構造的特徴を十分に活用して,Mask2Formerを拡張したカスタマイズされたインスタンスセグメンテーションフレームワークであるO2Formerを提案する。
  論文  参考訳（メタデータ） (2025-06-13T16:06:51Z)
• Iterative Encoding-Decoding VAEs Anomaly Detection in NOAA's DART Time Series: A Machine Learning Approach for Enhancing Data Integrity for NASA's GRACE-FO Verification and Validation [3.4265828682659705]
  本稿では,DART時系列の品質向上のために,反復アティショナル・デコーディング・バリエンコーダ(Iterative Ational-Decoding VAEs)モデルを提案する。 反復的なアテンショナルデコードVAEは、データの潜伏構造を保ちながら、徐々に異常を除去する。 このデータ処理手法は、解釈可能性と信頼性を改善した将来の気候モデリングを基盤とする津波検出手法である。
  論文  参考訳（メタデータ） (2024-12-20T22:19:11Z)
• DAM-Net: Global Flood Detection from SAR Imagery Using Differential Attention Metric-Based Vision Transformers [22.885444177106873]
  高分解能合成開口レーダ(SAR)画像を用いた浸水領域の検出は危機管理や災害管理における重要な課題である。 そこで本研究では,新しいディファレンシャル・アテンション・メトリック・ベース・ネットワーク(DAM-Net)を提案する。 DAM-Netは、多時間画像のマルチスケールな変化特徴を得るためのウェイトシェアリングシームスバックボーンと、水体変化の高レベルな意味情報を含むトークンの2つのキーコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-06-01T14:12:33Z)
• Hierarchical Spherical CNNs with Lifting-based Adaptive Wavelets for Pooling and Unpooling [101.72318949104627]
  本稿では, 階層型畳み込みニューラルネットワーク(HS-CNN)の新たな枠組みを提案し, プールやアンプールのための適応球面ウェーブレットを学習する。 LiftHS-CNNは、画像レベルのタスクとピクセルレベルのタスクの両方において、より効率的な階層的特徴学習を実現する。
  論文  参考訳（メタデータ） (2022-05-31T07:23:42Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• GANav: Group-wise Attention Network for Classifying Navigable Regions in Unstructured Outdoor Environments [54.21959527308051]
  本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。 本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。 RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
  論文  参考訳（メタデータ） (2021-03-07T02:16:24Z)

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。