本研究提出了一种用于在线监测海上活动的系统，能够追踪船舶轨迹并识别应急情况，有效应用于海上实时监控。

Jan, 2016

针对环境监测中的时空变异性，我们提出了一种规划与学习方法，通过学习和完善环境模型，实现自主海洋监测任务；该方法结合了最信息丰富数据的规划和稀疏高斯过程学习组件，提高了计算效率，仿真结果表明该方法准确性和效率兼备。

Sep, 2016

本文综述了海上目标检测和跟踪方法，重点介绍了基于电光传感器进行视频处理的各种方法及其优缺点，并研究了困难因素，探讨了多传感器方法和商业海事系统，还对新加坡海事数据集上的许多海事和计算机视觉技术进行性能评估。

Nov, 2016

提出了一种利用多传感器融合和预测控制器的主动异常检测网络，可以在未知的、不受限制的环境中预测机器人导航的失败，并及时提醒，实验表明此方法优于以往反应式方法的异常检测表现

Apr, 2022

该论文使用异常检测算法评估水下滑翔器在不可预测的海洋环境中的正常操作，并在检测到任何异常时向滑翔器飞行员提供实时警报，使其能够控制滑翔器并防止进一步损害。异常检测算法应用于由Skidaway海洋学研究所（SkIO）和南佛罗里达大学（USF）领导的实际滑翔器部署所收集到的丰富数据集。实验评估包括离线和在线检测模式。离线检测利用完整的恢复后数据集进行，提供异常的详细分析，并与飞行员日志进行比较。在线检测则专注于滑翔器在上浮事件时传输的实时数据子集。尽管实时数据可能不含有恢复后数据那么丰富的信息，但在线检测非常重要，因为它允许滑翔器飞行员实时监测潜在的异常条件。

Jul, 2023

我们的研究主要探讨了海洋视觉中的场景变化检测，在这项工作中，我们利用计算机视觉技术结合非监督学习的方法，通过使用多个海洋数据集进行模型训练，提出了一种基于相似度评分的动态场景变化检测技术，实验证明了其高效的性能。

Nov, 2023

该研究提出了一种深度学习驱动的异常检测系统，结合可解释的机器学习模型，用于识别工业传感器化船舶TUCANA中的性能异常，该系统不仅提高了安全性、效率和可持续性，还推动了成本有效和智能化的海上交通运输的新时代。

Dec, 2023

验证传感器融合型GNSS欺骗攻击检测框架在自动驾驶车辆中的性能，并使用两种策略进行检测：通过传感器融合和机器学习来判断位置变化，以及使用机器学习模型检测和分类转弯。通过实验证明该框架能够有效地检测各种复杂的GNSS欺骗攻击。

Jan, 2024

我们提出了一种基于热视觉的海上监控方法，具备目标跟踪、船只重识别和可疑活动检测的能力，并使用我们创建的热数据集对其进行训练，该数据集将成为热海上监控的首个公开基准数据集。我们的系统能够以81.8%的Top1得分重新识别船只，以72.4%的帧mAP得分识别可疑活动，为热领域中的每个任务建立了一个新的基准。

Jun, 2024

该研究将计算机视觉和深度学习方法应用于实时海况识别，旨在提高航海船只的运营安全性和能源效率，以满足国际海事组织的碳减排目标。通过使用单个固定摄像机在船舰上的桥梁上捕捉的海洋图像，我们训练了基于 Beaufort 风力等级的深度学习算法，以实现自动海况估计。使用Resnet-101、NASNet、MobileNet_v2和Transformer Vit-b32等四种最先进的神经网络来识别海况。此外，我们还定义了一个独特的大规模数据集，从一艘为机器学习做好准备的远洋船只上收集了各种不同的海洋条件下的数据。通过对数据集进行转移学习，微调了模型。研究结果表明，这种方法有潜力在传统方法不可行或气象浮标数据插值精度不足的情况下，补充传统方法。此研究为开发基于机器学习的海况分类模型奠定了基础，以解决海事研究中存在的差距，实现更安全、更高效的海事运营。

Jul, 2024