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

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

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

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

本研究报告提供了对无人机和无人水面船只领域中的海上计算机视觉问题的深入研究，包括目标跟踪和障碍物分割等主要主题。

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

通过建立船舶实例分割的基准数据集SISP，本文介绍了一种基于卫星图像的动态特征细化辅助实例分割网络（DFRInst），用于改进船舶实例分割的性能，并通过实验证明了该方法在提高船舶实例分割中的性能方面凸显优势。

Feb, 2024

本研究探讨了利用大型预训练视觉-语言模型在遥感领域中增强未见船只类别分类准确性的潜力，介绍了一种新颖的逐步调整技术来解决过拟合问题，并引入了一个全面的数据集（FGSCM-52）以及证明了该方法在实验中的优越性。

Mar, 2024

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。

Jul, 2024