論文の概要: ONCship: A Large-Scale Underwater Acoustic Corpus for Ship Recognition

• arxiv url: http://arxiv.org/abs/2610.19722v1
• Date: Wed, 14 Oct 2026 07:48:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.020685
• Title: ONCship: A Large-Scale Underwater Acoustic Corpus for Ship Recognition
• Title（参考訳）: OnCship: 船舶認識のための大規模水中音響コーパス
• Abstract要約: OnCshipは,Ocean Networks Canada(ONC)ハイドロフォンとAIS(Automatic Identification System)データから4521時間のキュレートされた録音を含む大規模水中音響データセットである。 提案したデータセットは,自己教師付き表現学習,容器型分類,MMSI-Level Vessel分類の3つのタスクにまたがって評価する。
• 参考スコア（独自算出の注目度）: 13.94373603551591
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in deep learning have significantly improved underwater acoustic vessel recognition. However, existing publicly available datasets are typically limited in scale, hindering large-scale representation learning and downstream task evaluation. To address this limitation, we introduce ONCship, a large-scale underwater acoustic dataset comprising 4521 hours of curated recordings from Ocean Networks Canada (ONC) hydrophones and Automatic Identification System (AIS) data. We evaluate the proposed dataset across three tasks: self-supervised representation learning, vessel-type classification, and MMSI-Level Vessel Classification. Experiments on DeepShip and ShipsEar demonstrate the effectiveness of ONCship for acoustic representation learning, with joint pre-training on ONCship and AudioSet achieving a classification accuracy of 62.45% on DeepShip through linear probing. Furthermore, incorporating ONCship as auxiliary training data improves downstream vessel-type classification performance. Beyond conventional vessel-type classification, we further investigate MMSI-Level Vessel Classification, treating each vessel as a distinct identity. Experimental results show that models fine-tuned with different loss functions achieve Top-1 accuracies exceeding 53% and Top-5 accuracies approaching 69%, demonstrating the feasibility of distinguishing individual vessels through MMSI-Level Vessel Classification. Overall, ONCship provides a valuable resource for underwater acoustic representation learning and vessel recognition, while its rich vessel-level metadata enables further exploration of MMSI-Level Vessel Classification.
• Abstract（参考訳）: 近年の深層学習は水中の血管認識を著しく改善している。 しかし、既存の公開データセットは通常、大規模に制限されており、大規模な表現学習や下流タスク評価を妨げる。 この制限に対処するため,Ocean Networks Canada(ONC)ハイドロフォンと自動識別システム(AIS)データから4521時間の録音を収録した大規模水中音響データセットであるONCshipを紹介した。 提案したデータセットは,自己教師付き表現学習,容器型分類,MMSI-Level Vessel分類の3つのタスクにまたがって評価する。 音響表現学習におけるONCshipの有効性を実証し,ONCshipとAudioSetを併用し,線形探索によるDeepShipの分類精度を62.45%向上させる実験を行った。 さらに,ONCshipを補助訓練データとして組み込むことで,下流船型分類性能が向上する。 従来の血管型分類以外にも,MMSI-Level Vessel分類についても検討し,各血管を別個の同一性として扱う。 実験結果から,損失関数の異なるモデルでは,Top-1の精度が53%,Top-5の精度が69%に近づき,MMSI-Level Vessel分類による個々の血管の識別の可能性が確認された。 全体として、ONCshipは水中音響表現学習と船体認識のための貴重なリソースを提供し、その豊富な船体レベルのメタデータはMMSI-Level Vessel分類のさらなる探索を可能にする。

関連論文リスト

• UniqueShip: Mitigating Data Leakage in Acoustic Ship Classification Benchmark Datasets [3.8240667211978163]
  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。
  論文  参考訳（メタデータ） (2026-09-12T02:31:38Z)
• 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)
• Decodable but not structured: linear probing enables Underwater Acoustic Target Recognition with pretrained audio embeddings [1.25052154879199]
  船舶の人為的騒音は水中の音汚染に大きく寄与し、海洋生態系にリスクをもたらす。 パッシブ・アコースティック・モニタリング(PAM)システムはこの目的のために広く展開されており、様々な音環境にまたがる水中記録を何年にもわたって生成している。 水中音響目標自動認識(UATR)の最近の進歩は、ラベル付きデータの不足によって制約される教師あり学習に大きく依存している。 本研究では、UATRにおける転送学習の実証的研究を行い、多様なオーディオ領域から派生した複数の事前学習オーディオモデルを評価する。
  論文  参考訳（メタデータ） (2026-01-13T09:15:31Z)
• OceanSAR-2: A Universal Feature Extractor for SAR Ocean Observation [55.978228064498865]
  SARに基づく海洋観測のための第2世代の基盤モデルであるOceanSAR-2を紹介する。 先にリリースしたSentinel-1 Wave Modeデータによる自己教師型学習の先駆者であるOceanSAR-2は、SSLトレーニングの改善と動的データキュレーション戦略に依存しています。
  論文  参考訳（メタデータ） (2026-01-12T10:20:43Z)
• 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)
• WhaleNet: a Novel Deep Learning Architecture for Marine Mammals Vocalizations on Watkins Marine Mammal Sound Database [49.1574468325115]
  textbfWhaleNet (Wavelet Highly Adaptive Learning Ensemble Network) は海洋哺乳動物の発声を分類するための高度な深層アンサンブルアーキテクチャである。 既存のアーキテクチャよりも8-10%の精度で分類精度を向上し、分類精度は9,7.61%である。
  論文  参考訳（メタデータ） (2024-02-20T11:36:23Z)
• Oceanship: A Large-Scale Dataset for Underwater Audio Target Recognition [22.890584326036976]
  大規模かつ多様な水中オーディオデータセットであるOceanshipを提案する。 このデータセットは15のカテゴリで構成され、総期間は121時間であり、座標、速度、船舶タイプ、タイムスタンプといった包括的なアノテーション情報を含んでいる。 水中オーディオ検索のためのベースラインモデルであるOceannetを導入する。このモデルでは、67.11%の精度で1(R@1)、Deepshipデータセットで5(R@5)の精度で99.13%のリコールを実現している。
  論文  参考訳（メタデータ） (2024-01-04T07:11:16Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
  本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。 我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
  論文  参考訳（メタデータ） (2020-07-09T08:32:06Z)

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。