本文针对海洋数据中存在时间奇异性的问题，使用神经网络建模，预测多艘船舶的 AIS 消息内容，以改善航线预测。在多个算法实验中，卷积层、前馈网络和递归神经网络的组合模型表现最佳。结果表明该模型有效地提高了航线预测的准确度。

Feb, 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

基于深度循环模型的海上监视方法，利用公开可用的自动识别系统（AIS）数据，通过对观测到的船舶运动模式进行编码和重建，结合阈值机制对计算的观测和重建的运动模式之间的误差进行处理，通过训练深度学习框架（编码器 - 解码器架构）使用观测到的运动模式，使模型能够学习和预测预期的轨迹，并与实际轨迹进行比较，研究展示了具有回归丢失的双向门控循环单元（GRU）在捕捉海上数据的时间动态方面表现出卓越的性能，彰显了深度学习在增强海上监视能力方面的潜力，为未来领域的研究奠定了坚实基础，通过技术的创新应用为改善海上安全指明了道路。

Jun, 2024

利用深度学习从卫星图像中检测船只是海上监视的一种不可或缺的解决方案。然而，将在一个数据集上训练的深度学习模型应用于具有空间分辨率和辐射特征差异的其他数据集时，需要进行许多调整。为了解决这个问题，本文研究了基于包含不同光学图像和雷达与光学数据组合的数据集进行训练的深度学习模型。通过这种方法处理有限数量的训练图像时，深度学习模型的性能是令人满意的。它们可以根据测试的光学图像提高平均精度 5-20%。同样，使用在光学与雷达数据集上训练的深度学习模型可以应用于光学和雷达图像。我们的实验表明，在光学数据集上训练的模型可以用于雷达图像，而在雷达数据集上训练的模型在应用于光学图像时得分非常低。

Mar, 2024

利用自动识别系统（Automatic Identification System，AIS）数据和编码器 - 解码器模型，本研究预测了船只轨迹，进而提高船只安全和避免船只与鲸类碰撞，证实了地理数据工程和轨迹预测模型在保护海洋生物物种方面的潜力。

Oct, 2023

通过自监督深度学习技术和 Transformer 模型，本文提出了一种检测异常 AIS 信号丢失的新方法，通过预测和比较来报告检测到的异常情况。该方法可以实时处理海事交通监控中的 AIS 数据，并验证了先前已探测到的故意 AIS 关闭情况。

Oct, 2023

使用多数据融合和深度学习方法对船舶抵达引航区的到达时间进行预测，通过提取船舶到达轮廓、数据融合和深度学习等方法，取得了良好的预测准确度和优于基准方法的结果。

Mar, 2024

使用现有的交通摄像头和深度学习模型，本研究开发了一种检测内陆水路驳船交通的方法，并可用于匿名的大宗商品追踪和监测，为公共交通机构的长期交通规划以及美国工程兵团等联邦机构的运营和维护规划提供有价值的数据。

Jan, 2024

本文介绍了一种名为 SimuShips 的用于海上环境的基于模拟的数据集，其中包含各种类型的障碍物，经过了多种气象和照明条件的处理，并通过边界框的形式提供了注释。同时，我们使用 YOLOv5 进行实验，并发现将真实图像与模拟图像相结合可以提高所有类别的召回率。

Sep, 2022

海洋船只的侦测对地面站传输地球观测图像数据存在许多成本，我们设计了一个低功耗系统，采用两阶段的轻量级模型进行船只侦测和定位，以提高性能和节省能源。

Jun, 2024