利用神经形态硬件进行卫星图像低功耗船舶检测
本文提出一种基于光学遥感图像的小船检测轻量级框架 HSI-ShipDetectionNet,通过高阶空间交互和轻量级混合注意力模块,实现了对资源受限平台(如卫星和无人机)的部署,模型在公共 Kaggle 海洋船只检测数据集上的表现优于其他小物体检测模型、轻量级检测模型和船只检测模型。
Apr, 2023
提出了一种难度感知的边缘 - 云协同感知系统,用于检测岸边的海洋物体,该系统将任务分为物体定位和细粒度分类,并根据预估的难度将物体进行边缘或云内分类。该系统在广泛使用的海洋物体检测数据集上表现出卓越性能([email protected] +4.3%),在系统级别显著降低了数据传输量(95.43%)和能源消耗(72.7%),并在涉及无人机部署的真实场景和各种嵌入式系统平台上验证了提出的系统。
Mar, 2024
使用卷积神经网络准确检测各种船舶和船舶间转运,通过卫星图像和船载 GPS 数据交叉引用,应用该方法于乌克兰和俄罗斯之间的克尔奇海峡,识别 2022 年以来 400 多起黑暗中转运事件。
Apr, 2024
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
本文提出了一种面向异构嵌入式设备的高效物体检测系统解决方案,其中包括量化网络和专门的加速器,并采用分组数据流策略将计算密集型的卷积操作映射到加速器中以提高效率。研究结果显示,在 512x512 输入大小的实际监控视频中,该系统的推理速度可以达到 18 FPS,功耗仅为 6.9W,并在 PASCAL VOC 2012 数据集上实现了 66.4 的 mAP。
Sep, 2019
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
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
使用高分辨率光学遥感卫星图像,本研究提出了一种新颖的传输学习框架,用于有效的船舶分类。该框架基于深度卷积神经网络模型 ResNet50,并结合了卷积块注意力模块 (CBAM) 来增强性能。实验结果表明该框架在光学遥感图像的船舶分类中具有良好的效果,达到了 94% 的高分类精度,超过了现有方法。该研究在海上监视与管理、非法渔业监测和海上交通监控方面具有潜在的应用价值。
Apr, 2024