Jul, 2024

计算机视觉方法估计局部海况

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 利用人工神经网络和船体响应谱数据进行海况估计的响应分量分析

    使用神经网络对采用船舶作为波浪浮标类比法的海浪状态进行建模，利用船舶运动响应的谱数据，可以高精度地估计明显波高和平均波周期，具有应用前景的海浪状态评估方法。

    May, 2022

  • 海洋环境下自主水面船深度学习调查

    本文介绍了Autonomous Surface Vehicles (ASV) 的现状和使用，重点探讨了ASV 与Deep Learning方法的实现，以及其在海事操作中的挑战和未来研究方向。

    Oct, 2022

  • 遥感图像的海冰提取：算法、数据集、应用和挑战

    该研究深入探讨了基于深度学习的算法、数据集、应用以及未来的发展趋势，对海冰提取问题进行了综合回顾。

    Jun, 2023

  • 深度迁移学习在贻贝养殖自动化中的浮标检测改进

    使用深度学习方法提高浮标检测和管理的准确性和鲁棒性，通过使用源自新西兰贻贝养殖场的多样化数据集和迁移学习技术，研究表明深度学习通过提高鲁棒性能和跨多样的天气条件进行浮标检测的实际有效性。

    Aug, 2023

  • 通过多路径长期船舶轨迹预测构建更安全的海上环境

    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

  • 用光学卫星影像的迁移学习进行船只分类的ResNet集成卷积块注意模块

    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

  • 应用AIS数据和深度循环架构进行海上环境中的异常检测

    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

  • 基于深度视觉的沿海洪水预测框架，应对气候变化及岸线适应

    在追求计算效率的过程中，提出了训练高保真、基于深度学习的沿海洪水预测模型的系统框架，通过与地质统计回归方法和传统机器学习方法进行性能验证，表明其对预测质量的显著提升，并提供了阿布扎比海岸的综合数据集，用于评估未来的沿海洪水预测模型。

    Jun, 2024

  • 引入VaDA: 利用全新数据集进行海上物体分割的新型图像分割模型

    提出了一种基于垂直和详细注意力（VaDA）模型的海洋物体分割方法并引入了一种新的模型评估方法IFCP来验证其在实时系统中的适用性，同时介绍了一个名为OASIs的标准化的海洋数据集。

    Jul, 2024

  • 关于用于侧扫声纳图像分类任务的视觉变换器

    本研究解决了侧扫声纳图像中人造物体分类的挑战，尤其是在复杂的海底环境中。通过比较视觉变换器（ViT）与传统卷积神经网络（CNN）架构，发现ViT模型在多个分类性能指标上表现更佳，尽管需要更大的计算资源。这一发现为未来在资源受限的水下环境中应用ViT提供了新的思路。

    Sep, 2024