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

本文提出了一个利用深度学习和数据增强的热红外（TIR）远程目标检测系统，该系统针对海上救援进行研究。通过使用 TIR 相机（FLIR）建立了一个自采集的 TIR 数据集，其中包括多个模拟人类救援情境的场景。此外，为了解决数据集稀缺和改善模型的鲁棒性，还收集了一个合成数据集，该数据集是从一个 3D 游戏（ARMA3）中获取的。然而，合成 TIR 图像与真实 TIR 图像之间存在显著的领域差距。因此，为了解决这个问题，本文建议了一种基于生成模型的从 3D 游戏到真实情况下的目标 - 背景分离领域自适应算法。此外，还提出了一个带有固定权重内核的分割网络，以改善信噪比（SNR）并提供弱注意力，因为远程 TIR 目标本质上具有不清晰的边界。实验结果表明，用包含翻译合成和真实 TIR 数据的增强数据训练的网络在性能上明显优于只使用真实 TIR 数据进行训练的网络。此外，所提出的分割模型超越了最先进的分割方法的性能。

Oct, 2023

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

我们提出了一种新的方法，通过利用纹理和运动信息作为监督信号，利用在线自监督的方式将 RGB 训练的水域分割网络适用于目标领域的航空热成像。这种新的热成像能力使得当前操作于临海环境中的自主航空机器人能够在夜间执行诸如可视导航、水深测量和流量跟踪等任务。我们的方法克服了稀少且难以获取的临海热成像数据导致传统的有监督和无监督方法无法应用的问题。在这项工作中，我们整理了第一个临近海域热成像航空数据集，证明了我们的方法优于在有限目标领域热成像数据上训练的全监督分割模型，并且在 Nvidia Jetson 嵌入式计算平台上展示了实时功能。本文代码和数据集将在此 https URL 上提供。

Jul, 2023

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

通过融合自动识别系统（AIS）数据和图像中检测到的船舶，我们提出了一种方法用于创建数据集，用于识别船只、姿态估计和自动标注管道。

Dec, 2023

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

通过引入小波变换卷积神经网络方法，利用 Sentinel-1 SAR-C 双极化数据获取了印度西部沿海区域海洋监视和海事监测中的船舶检测，并获得了 95.46% 的检测准确率，进而实现了对海洋船舶的自动监测和外来船只的识别。

Apr, 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

本研究提出了一种新的算法，实现了对 ARL-VTF 和 TUFTS 多光谱人脸数据集的最新性能和 MILAB-VTF（B）数据集的强大性能。该算法具有广泛的适用性，稳健性和高效性，并将提出的方法与人脸正面化方法进行比较。

Aug, 2021