基于图学习驱动的多船只关联：融合多模态数据海上智能
人工智能
2025-04-15 v1
摘要
确保海上安全并优化日益拥挤复杂水域的交通管理，要求有效的水域监控。然而，当前方法在应对多模态数据所带来的挑战时难以为天下，包括维度差异、目标数量不匹配、船只规模变化、遮挡以及来自自动识别系统（AIS）和摄像监控（CCTV）等系统的异步数据流。传统的多目标关联方法在面对这些复杂情况时常常吃力，尤其是在交通最为密集的水域。为克服这些问题，我们提出了一种针对海上多模态数据融合的图学习驱动的多船只关联（GMvA）方法。通过整合AIS和CCTV数据，GMvA利用时间序列学习和图神经网络有效捕获船舶轨迹的时空特征。为增强特征表示，该方法引入了时序图注意力和时空注意力，有效捕获本地和全局船舶相互作用。此外，采用基于多层感知器的不确定性融合模块计算稳健的相似度得分，采用匈牙利算法确保全局一致且准确的目标匹配。大量实验表明，GMvA在真实海上数据集上提供了在多目标关联任务中的卓越准确性和鲁棒性，即使在船只密度高、AIS和CCTV数据不完整或分布不均的情况下也能显著优于现有方法。
引用
@article{arxiv.2504.09197,
title = {Graph Learning-Driven Multi-Vessel Association: Fusing Multimodal Data for Maritime Intelligence},
author = {Yuxu Lu and Kaisen Yang and Dong Yang and Haifeng Ding and Jinxian Weng and Ryan Wen Liu},
journal= {arXiv preprint arXiv:2504.09197},
year = {2025}
}