该论文总结了 MaCVi 2023 国际研讨会围绕无人机和无人水面船舶的海洋计算机视觉的研究，并介绍了新的 benchmark，即 SeaDronesSee Object Detection v2。
Nov, 2022
利用海洋无人机进行目标检测的深度学习技术在海洋工程和海洋行业的应用越来越重要。本文综述了海洋无人机目标检测面临的挑战、相关方法以及无人机航拍数据集，并提出了一个名为 MS2ship 的海洋无人机航拍数据集用于船只检测。通过一系列实验评估和鲁棒性分析，论文展示了这些目标检测方法在海洋数据集上的性能，并对未来的海洋无人机目标检测工作进行了讨论和展望。
Nov, 2023
本文提出了一种新的图形模型，利用基于 Markov 随机场的高效算法，通过对海洋环境的观测，实现了无人驾驶水面船只 (USV) 在单视频流中对航行障碍物的快速连续检测，不需要计算复杂的纹理特征，并在实时运行的同时取得了最好的分割结果。
Mar, 2015
本文介绍了一个旨在填补从陆基视觉系统到海基系统的差距的大规模视觉目标检测和跟踪基准（SeaDronesSee），我们从各种高度和视角，提供海拔，视角和其他元数据等相关信息，收集和注释了超过 54,000 帧，包括 400,000 个实例，并在此基础上评估了多个最先进的计算机视觉算法。
May, 2021
我们的研究探索了在海洋中使用无人机和无人水面船只的多目标跟踪技术，通过自监督学习实现实例表示学习，并与高质量探测器合作，简单高效地完成多目标跟踪任务。
该研究论文介绍了一种应对极端海洋条件中目标物跟踪的自主视觉导航框架，该框架利用生成对抗网络（GAN）和 YOLOv5 目标检测器对视觉特征进行处理，并在沙尘暴和雾等极端能见度受限条件下进行了充分测试，结果表明该方案在多个指标上优于现有方法。
Aug, 2023
该研究提出了一种多模态无人机追踪和位姿估计方法，通过利用多模态传感器信息，包括立体视觉、各种雷达和音频阵列，以及针对无人机检测、分类和 3D 跟踪的困难，提高了准确度和稳健性，并在 MMUAD 数据集的分类和跟踪任务中取得了最好的性能。
May, 2024
提出了一种新的无人水面车辆障碍物检测算法，将语义分割的先进图形模型扩展到包括来自机载惯性测量单元（IMU）的船只俯仰和翻滚测量值，提出了一种立体验证算法来巩固分割获得的临时检测，并使用 IMU 读数估算地平线位置。
Feb, 2018
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。
该研究论文介绍了 2023 年 IEEE 低功耗计算机视觉挑战赛 (LPCVC)，该挑战旨在解决边缘设备上的计算机视觉挑战。2023 年的挑战涉及无人机在灾害后的图像分割问题，吸引了 60 支国际团队提交了 676 个解决方案。论文介绍了比赛的设置并重点介绍了获胜者的方法，这些方法提高了准确性并缩短执行时间。
Mar, 2024