論文の概要: Multi-Modal Graph Neural Network-Inspired Vessel Identification and Tracking for UAV-Based Maritime Surveillance

• arxiv url: http://arxiv.org/abs/2610.13220v1
• Date: Fri, 09 Oct 2026 08:37:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.480524
• Title: Multi-Modal Graph Neural Network-Inspired Vessel Identification and Tracking for UAV-Based Maritime Surveillance
• Title（参考訳）: マルチモーダルグラフニューラルネットワークによるUAVによる海上監視のための容器同定と追跡
• Abstract要約: 本稿では,UAV支援海洋IoTにおける船舶の識別と追跡のためのマルチモーダルグラフ学習駆動型フレームワークであるAMGTを提案する。 MAP-M2UAV50データセットの実験により、AMGTは高い精度と効率を達成することが示された。 結果は、船舶監視、交通状況の認識、インテリジェントな海上輸送サービスを含む、UAV支援海洋IoTアプリケーションの可能性を示している。
• 参考スコア（独自算出の注目度）: 17.911639507712415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The unmanned aerial vehicle (UAV)-based maritime surveillance is becoming an important part of maritime Internet of Things (IoT) and intelligent transportation systems. It provides a flexible and cost-effective way to large-scale maritime traffic monitoring. However, achieving robust situational awareness remains challenging in practical maritime environments. The main challenges arise from heterogeneous sensing modalities, adverse imaging conditions, and spatial misalignment caused by UAV motion. To address these problems, this paper proposes an airborne multi-modal graph learning-driven framework, termed AMGT, for vessel identification and tracking in UAV-assisted maritime IoT. Specifically, visible and infrared images are first aligned and fused through a multi-parameter perspective transformation model. This improves visual perception under low visibility and complex illumination conditions. Automatic identification system (AIS) messages are then temporally synchronized using interpolation and linear prediction. To detect small and oriented vessels, we develop a mixed-modality MAir-YOLOv8-OBB detector, followed by the MAir-SORT algorithm for stable vessel tracking. We further design a graph learning-driven association network to model temporal dynamics and spatial dependencies among vessels and between vessels and UAVs. A motion-aware coordinate unification (MCU) strategy is also introduced to reduce nonlinear misalignment caused by UAV motion. Experiments on the MAP-M2UAV50 dataset show that AMGT achieves high accuracy and efficiency. The results demonstrate its potential for UAV-assisted maritime IoT applications, including vessel monitoring, traffic situational awareness, and intelligent maritime transportation services. The dataset and code will be available at https://github.com/MAPGroup/AMGT.
• Abstract（参考訳）: 無人航空機(UAV)による海上監視は、モノのインターネット(IoT)とインテリジェント輸送システムにおいて重要な部分となっている。 大規模な海上交通監視の柔軟性と費用対効果を提供する。 しかし、実践的な海洋環境においては、堅牢な状況認識の実現は依然として困難である。 主な課題は、UAV運動による不均一な知覚モーダル性、有害な撮像条件、空間的不整合である。 このような問題に対処するため,UAV支援海洋IoTにおける船舶の識別と追跡のためのマルチモーダルグラフ学習フレームワークであるAMGTを提案する。 具体的には、可視・赤外画像は、まずマルチパラメータ・パースペクティブ・トランスフォーメーション・モデルを用いて、融合される。 これにより、視認性や複雑な照明条件下での視覚知覚が向上する。 自動識別システム(AIS)メッセージは補間と線形予測を用いて時間的に同期される。 MAir-YOLOv8-OBB 検出器と MAir-SORT アルゴリズムを併用して,小型で指向性の高い容器を検知する。 さらに,船舶とUAV間の時間的ダイナミクスと空間的依存関係をモデル化するグラフ学習型アソシエーションネットワークを設計する。 また、UAV動作による非線形な不整合を低減するため、運動認識座標統一(MCU)戦略も導入されている。 MAP-M2UAV50データセットの実験により、AMGTは高い精度と効率を達成することが示された。 この結果は、船舶監視、交通状況の認識、インテリジェントな海上輸送サービスを含む、UAV支援海洋IoTアプリケーションの可能性を示している。 データセットとコードはhttps://github.com/MAPGroup/AMGT.comから入手できる。

関連論文リスト

• Secure Low-altitude Maritime Communications via Intelligent Jamming [53.42658269206017]
  低高度無線ネットワーク (LAWN) は海上通信の有効なソリューションとして登場している。 オープンで明確なUAV通信チャネルは、海上のLAWNを盗聴攻撃に対して脆弱にする。 本稿では,動的盗難対策にインテリジェントジャミングを用いた低高度海上通信システムを提案する。
  論文  参考訳（メタデータ） (2025-11-10T03:16:19Z)
• Tracking the Unstable: Appearance-Guided Motion Modeling for Robust Multi-Object Tracking in UAV-Captured Videos [58.156141601478794]
  マルチオブジェクトトラッキング(UAVT)は、ビデオのフレーム間で一貫したアイデンティティを維持しながら、複数のオブジェクトを追跡することを目的としている。 既存の手法は、通常、動作キューと外観を別々にモデル化し、それらの相互作用を見渡して、最適下追跡性能をもたらす。 本稿では、AMC行列とMTCモジュールの2つの主要コンポーネントを通して、外観と動きの手がかりを利用するAMOTを提案する。
  論文  参考訳（メタデータ） (2025-08-03T12:06:47Z)
• LLM Meets the Sky: Heuristic Multi-Agent Reinforcement Learning for Secure Heterogeneous UAV Networks [57.27815890269697]
  この研究は、エネルギー制約下での不均一なUAVネットワーク(HetUAVN)における機密率の最大化に焦点を当てている。 本稿では,Large Language Model (LLM) を用いたマルチエージェント学習手法を提案する。 その結果,本手法は機密性やエネルギー効率において,既存のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-23T04:22:57Z)
• Low-altitude UAV Friendly-Jamming for Satellite-Maritime Communications via Generative AI-enabled Deep Reinforcement Learning [72.23178920029957]
  本稿では,低高度無人航空機(UAV)による衛星海上通信システムを提案する。 安全衛星・海上通信多目的最適化問題(SSMCMOP)を定式化する。 動的かつ長期の最適化問題を解くため、マルコフ決定過程に再構成する。 次に,トランスサック (TransSAC) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-26T10:13:51Z)
• Dual UAV Cluster-Assisted Maritime Physical Layer Secure Communications via Collaborative Beamforming [47.191944685913036]
  無人航空機(UAV)は、海上無線通信を支援する中継プラットフォームとして使用できる。 共同ビームフォーミング(CB)は、遠隔での海上通信のためにUAV中継を支援するために、信号強度と範囲を増強することができる。 本稿では,海上無線通信における物理層セキュリティを実現するために,CBを経由した二重UAVクラスタアシストシステムを提案する。
  論文  参考訳（メタデータ） (2024-12-08T14:11:02Z)
• DisBeaNet: A Deep Neural Network to augment Unmanned Surface Vessels for maritime situational awareness [0.0]
  本稿では,海洋環境における船舶の検知・追跡のための低コスト視覚認識システムを提案する。 ニューラルネットワークであるDisBeaNetは、血管を検出し、追跡し、単眼カメラから血管の距離と軸受を推定することができる。
  論文  参考訳（メタデータ） (2024-05-10T00:15:17Z)
• Deep Learning-Based Object Detection in Maritime Unmanned Aerial Vehicle Imagery: Review and Experimental Comparisons [10.75221614844458]
  まず,海洋UAVにおける物体検出に関する4つの課題,すなわち,対象特性の多様性,デバイス制限,海洋環境の多様性,データセットの不足について要約する。 次に,UAVの航空画像・映像データセットを概観し,MS2ship という海洋UAV航空データセットを船体検出のために提案する。
  論文  参考訳（メタデータ） (2023-11-14T07:20:38Z)
• Vision-Based Autonomous Navigation for Unmanned Surface Vessel in Extreme Marine Conditions [2.8983738640808645]
  本稿では,極端海洋環境下での目標物追跡のための自律的視覚に基づくナビゲーション・フレームワークを提案する。 提案手法は砂嵐や霧による可視性低下下でのシミュレーションで徹底的に検証されている。 結果は、ベンチマークしたMBZIRCシミュレーションデータセット全体にわたる最先端のデハージング手法と比較される。
  論文  参考訳（メタデータ） (2023-08-08T14:25:13Z)
• Safe Vessel Navigation Visually Aided by Autonomous Unmanned Aerial Vehicles in Congested Harbors and Waterways [9.270928705464193]
  この研究は、従来のRGBカメラと補助的な絶対位置決めシステム(GPSなど)で捉えた長距離視覚データから未知の物体までの距離を検知し推定する最初の試みである。 シミュレーション結果は,UAV支援艦艇の視覚支援航法における提案手法の精度と有効性を示すものである。
  論文  参考訳（メタデータ） (2021-08-09T08:15:17Z)

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。