論文の概要: UniqueShip: Mitigating Data Leakage in Acoustic Ship Classification Benchmark Datasets
- arxiv url: http://arxiv.org/abs/2609.13659v1
- Date: Sat, 12 Sep 2026 02:31:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.454902
- Title: UniqueShip: Mitigating Data Leakage in Acoustic Ship Classification Benchmark Datasets
- Title（参考訳）: UniqueShip: アコースティックシップ分類ベンチマークデータセットにおけるデータ漏洩の軽減
- Abstract要約: 水中音響目標認識のための機械学習対応ベンチマークデータセットであるUniqueShipを紹介する。
従来のデータセットとは異なり、トレーニングセットと評価セットの間に"データ漏洩"を明示的に制御します。
UniqueShipには4,218隻のユニークな船から2,460時間の船舶放射音がある。
- 参考スコア（独自算出の注目度）: 3.8240667211978163
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Underwater Acoustic Target Recognition (UATR) of ships is well-suited for machine learning, yet its progress is hindered by the lack of large, diverse, and publicly available labeled datasets. In this work, we introduce UniqueShip, a machine learning-ready benchmark dataset for UATR applications sourced from the open Ocean Networks Canada (ONC) repository. Unlike previous datasets, we explicitly control for "data leakage" between the training and evaluation sets to ensure more reliable and generalizable model evaluation that does not encourage the model to memorize individual ships. We demonstrate that typical, random data partitioning in two prominent UATR datasets leads to falsely optimistic test performance, increasing accuracy by 10-48 percentage points compared to our more careful partitioning. Ablations on UniqueShip further show that doubling the number of unique vessels improves accuracy by 2.4-2.6 percentage points, while doubling total audio duration improves only by 0.8-1.3 points, indicating that vessel diversity should drive dataset curation more than total hours. We provide baselines with convolutional and transformer backbones, and analyze how ship metadata correlates with classification performance, finding that individual vessel characteristics predict classification difficulty far better than distance to the hydrophone alone. Overall, UniqueShip contains 2,460 hours of ship-radiated audio from 4,218 unique vessels (3,437 hours including background). We publish the dataset, code, and easy-to-download splits at uniqueshipdata.org to foster further UATR research.
- Abstract（参考訳）: 船舶の水中音響目標認識(UATR)は機械学習に適しているが、その進歩は大規模で多種多様な公開ラベル付きデータセットの欠如によって妨げられている。
本研究では、オープンなOcean Networks Canada(ONC)リポジトリからソースされたUATRアプリケーションのための機械学習対応ベンチマークデータセットであるUniqueShipを紹介する。
従来のデータセットとは異なり、トレーニングセットと評価セットの間に「データ漏洩」を明示的に制御し、モデルが個々の船を記憶することを奨励しない信頼性と一般化可能なモデル評価を確実にする。
2つのUATRデータセットにおける典型的なランダムなデータのパーティショニングは、誤った楽観的なテスト性能をもたらし、より注意深いパーティショニングに比べて精度を10～48ポイント向上させることを示した。
UniqueShipのアブレーションでは、ユニークな船の数を2倍にすると精度が2.4-2.6ポイント向上し、オーディオの総長は0.8-1.3ポイント向上した。
我々は,畳み込みと変圧器のバックボーンを用いたベースラインを提供し,船のメタデータが分類性能とどのように相関するかを分析し,個々の船体特性がハイドロフォンからの距離よりも遥かに分類の難しさを予測することを発見した。
全体として、UniqueShipは4,218のユニークな船(背景を含む3,437時間)からの2,460時間の船体照射オーディオを含んでいる。
uniqueshipdata.orgでデータセット、コード、簡単にダウンロードできるスプリットを公開し、さらなるUATR研究を促進する。
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) - NASTaR: NovaSAR Automated Ship Target Recognition Dataset [1.8957631297817699]
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。
論文 参考訳（メタデータ） (2025-12-20T20:42:30Z) - OpenDataArena: A Fair and Open Arena for Benchmarking Post-Training Dataset Value [74.80873109856563]
OpenDataArena(ODA)は、トレーニング後のデータの本質的な価値をベンチマークするために設計された、総合的でオープンなプラットフォームである。
ODAは4つの主要な柱からなる包括的なエコシステムを確立している。 (i) 多様なモデル間で公平でオープンな比較を保証する統一的なトレーニング評価パイプライン、 (ii) 異なる軸数に沿ってデータ品質をプロファイリングする多次元スコアリングフレームワーク、 (iii) データセットの系図を視覚化してコンポーネントソースを識別するインタラクティブなデータ系統探索である。
論文 参考訳（メタデータ） (2025-12-16T03:33:24Z) - Machine Learning-Based Classification of Vessel Types in Straits Using AIS Tracks [0.0]
本稿では,AISデータのみを用いて移動船を分類する機械学習パイプラインを提案する。
我々は、バルト海のボルンホルム海峡をカバーするデンマーク海事局から8日間の歴史的AISを分析した。
論文 参考訳（メタデータ） (2025-09-09T19:52:43Z) - Mixed Signals: A Diverse Point Cloud Dataset for Heterogeneous LiDAR V2X Collaboration [57.3519952529079]
車両間協調認識(V2X)は、単車知覚システムの限界に対処するための有望な解決策として登場した。
これらのギャップに対処するために、45.1kの点雲と240.6kのバウンディングボックスを備えた総合的なV2XデータセットであるMixed Signalsを紹介した。
私たちのデータセットは10クラスのポイントクラウドとバウンディングボックスアノテーションを提供し、認識トレーニングのための信頼性の高いデータを確保します。
論文 参考訳（メタデータ） (2025-02-19T23:53:00Z) - Prediction of Vessel Arrival Time to Pilotage Area Using Multi-Data Fusion and Deep Learning [9.458664533786994]
本稿では,マルチデータフュージョンと深層学習手法を用いて,船舶の操縦場到着時刻の予測について検討する。
シンガポールの2つの実世界のデータセットに関する試験が行われ、以下の有望な結果が得られた。
論文 参考訳（メタデータ） (2024-03-15T02:25:04Z) - Collaborative Learning with a Drone Orchestrator [79.75113006257872]
インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。
提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
論文 参考訳（メタデータ） (2023-03-03T23:46:25Z) - 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) - 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) - 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。