論文の概要: Pairing AIS with RF: Analysis of a Markovian Approach for Maritime Data Fusion
- arxiv url: http://arxiv.org/abs/2611.18563v1
- Date: Fri, 13 Nov 2026 18:59:43 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:23:15.606004
- Title: Pairing AIS with RF: Analysis of a Markovian Approach for Maritime Data Fusion
- Title(参考訳): RFを用いたAISのペアリング:海洋データ融合のためのマルコフ的アプローチの解析
- Abstract要約: 本研究ではPair Hidden Markovモデルを用いて、個々のRF検出をAIS軌道と整列させる。
近辺のベースラインに対する合成RF検出によるNOAA AISデータ上での評価を行った。
- 参考スコア(独自算出の注目度): 4.61250613299956
- License:
- Abstract: Monitoring maritime activities is important for safety and security, particularly for detecting illegal activities, but remains challenging due to the size and complexity of the maritime domain. The Automatic Identification System (AIS) is commonly used for this purpose, despite its known vulnerabilities. In contrast, space-based radio frequency (RF) observations provide an independent source of vessel activity but lack ship identification and therefore cannot identify vessels on their own. Following the CRISP-DM process, this study applies a Pair Hidden Markov Model (PHMM) to align individual RF detections with AIS trajectories, using temporal and spatial information while modeling noise and timing discrepancies. We evaluate it on NOAA AIS data with synthetic RF detections against nearest-neighbor baselines and analyze its errors with bias tests on trajectory length, sampling density, stationarity and AIS--RF distance. The length-corrected Forward score reaches a top-1 precision of $0.7776$ on the validation split of multi-candidate detections, where errors are possible, and an AUC of $0.637$ for detecting dark vessels among the detections that pass the prefilter. With a single RF detection, the score mostly reflects the AIS trajectory itself, and its errors favor longer and more stationary trajectories. A log-odds score, which compares the full model with a null model without match transitions, raises precision to $0.8580$ and AUC to $0.852$. Its length-corrected variant no longer shows a significant bias towards stationary trajectories and short inter-message distances, but still favors candidates farther from the RF detection. A time-weighted nearest-neighbor baseline without fitting remains ahead (precision $0.9013$, AUC $0.904$), so this single-detection, hand-designed PHMM formulation approaches but does not beat it.
- Abstract(参考訳): 海洋活動の監視は、特に違法な活動を検出するために安全と安全のために重要であるが、海洋ドメインのサイズと複雑さのため、依然として困難である。
自動識別システム(AIS)は、既知の脆弱性にもかかわらず、この目的のために一般的に使用されている。
対照的に、宇宙ベースの電波周波数(RF)観測は、船の活動の独立した源となるが、船の識別が欠如しているため、単独では船を識別できない。
CRISP-DM プロセスの後,Pair Hidden Markov Model (PHMM) を用いて,ノイズやタイミングの相違をモデル化しながら時間的・空間的情報を用いて個々のRF検出をAISトラジェクトリと整列させる。
近接するベースラインに対する合成RF検出を用いてNOAA AISデータ上で評価し, 軌道長, サンプリング密度, 定常度およびAIS-RF距離のバイアス試験による誤差を解析した。
長さ補正されたフォワードスコアは、複数候補検出の検証分割で0.7776$のトップ1精度に達し、プリフィルタを通過する検出のうち暗黒血管を検出するためのAUCは0.637$である。
単一RF検出では、スコアは主にAIS軌道自体を反映し、その誤差はより長い定常軌道を好んでいる。
log-oddsスコアは、完全なモデルと一致しないnullモデルを比較し、精度を0.8580$、AUCを0.852$に上げる。
その長さ補正された変種は、静止軌道と短いメッセージ間距離に有意な偏りを示さないが、まだRF検出から遠く離れた候補を好んでいる。
整合性のない時限最寄りのベースライン(精度$0.9013$, AUC$0.904$)が先行しているため、この単一検出で手動設計のPHMMの定式化が近づくが、それを上回ることはない。
関連論文リスト
- Benchmarking Unsupervised Jamming Detection in 5G Open RAN [42.727584386619895]
電波周波数(RF)ジャミングは第5世代(5G)ネットワークを脅かす。
本稿では統計的および再構成に基づく教師なしジャミング検出器のベンチマークを行う。
SEMは、F1ランキングと整合して、すべての環境で第1位にランクインする。
論文 参考訳(メタデータ) (2026-11-03T05:58:35Z) - From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。
本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。
提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
論文 参考訳(メタデータ) (2026-09-29T17:49:07Z) - Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。
3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
論文 参考訳(メタデータ) (2026-09-15T00:31:01Z) - Rigid-Covert GNSS Spoofing of UAV Swarms: A Structural Blind Spot, Its Detection Limit, and Absolute-Anchor Defenses [0.0]
協力的なUAV-s防衛は、通常、測定されたドローン間幾何学に対する位置を横断的にチェックする。
共通でゆっくりと変化する変換(剛体被覆シフト、RigidShift)は、全ての対距離を保ち、従って、相対ウォームのみの検出器では観測できない。
本研究では,流体間距離からSwarm形状を再構築する集中型アンカールート回収パイプラインを提案する。
論文 参考訳(メタデータ) (2026-08-07T07:15:55Z) - How Much Do RF Drone Benchmarks Overstate? A Controlled Study and Theory of Data Leakage in UAV Signal Identification [0.0]
RFセンシングは、対無人航空システム(counter-UAS)防衛における中心的なモダリティである。
RFによるドローンの検知と識別の精度は、しばしば非常に高い。
その多くは、少数の連続記録を短いセグメントに分割するクロスバリデーションを用いて得られる。
これは、トレーニングとテストのパーティションの両方で、同じレコードのほぼ重複したスライスを配置し、データ漏洩を発生させる。
論文 参考訳(メタデータ) (2026-07-01T14:57:44Z) - Unsupervised LiDAR-Based Multi-UAV Detection and Tracking Under Extreme Sparsity [2.3646560222366695]
非繰り返し固体LiDARスキャンは、空中UAVを検出するための極めてスパースな測定条件をもたらす。
ラベル付きトレーニングデータを必要とせずに、検出とトラッキングの両方に対処する、教師なしのLiDARのみのパイプラインを導入します。
論文 参考訳(メタデータ) (2026-03-12T06:19:51Z) - Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。
これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文 参考訳(メタデータ) (2026-02-04T15:25:02Z) - Reliable Multi-Object Tracking in the Presence of Unreliable Detections [1.8718768859805923]
本稿では,ロバスト信頼トラッキング(RCT)を提案する。
RCTは基本的に異なるアプローチをとり、トラックの正確な検出信頼度、トラックの拡張、トラックのフィルタリングに頼っている。
FISHTRACの評価において,不完全な検出を行う場合,RCTは他のアルゴリズムよりも優れることがわかった。
論文 参考訳(メタデータ) (2021-12-15T18:53:27Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳(メタデータ) (2020-03-04T12:27:36Z)
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。