基于多任务学习的自动船舶吃水读取用于智能海上监视
计算机视觉与模式识别
2023-10-12 v1 人工智能
摘要
准确高效的船舶吃水读取（VDR）是智能海上监视的重要组成部分，可用于辅助判断船舶是正常装载还是超载。具有优异性价比的计算机视觉技术已成为估算船舶吃水深度的流行手段。然而，传统估算方法容易受若干局限性的影响，例如对低质量图像敏感、计算成本高昂等。在本工作中，我们提出了一种启用多任务学习的计算方法（称为 MTL-VDR）以生成高可靠性的 VDR。具体而言，我们的 MTL-VDR 主要由四个部分组成，即吃水标记检测、吃水刻度识别、船舶/水面分割以及最终吃水深度估算。我们首先构建了一个与吃水标记检测相关的基准数据集，并采用一个强大且高效的卷积神经网络来准确执行检测任务。随后提出多任务学习方法，用于同时完成吃水刻度识别与船舶/水面分割。为了在复杂条件下（例如受损和污损的刻度等）获得更鲁棒的 VDR，基于吃水刻度的空间分布规则提出了一种自动校正方法以生成准确的吃水刻度。最后，利用一种自适应计算方法得出准确且鲁棒的吃水深度。已在真实数据集上开展了大量实验，将我们的 MTL-VDR 与最先进的方法进行比较。结果证明了其在准确性、鲁棒性和效率方面的优越性能。计算速度超过 40 FPS，满足实时海上监视保障船舶交通安全的要求。
引用
@article{arxiv.2310.07212,
title = {Multi-Task Learning-Enabled Automatic Vessel Draft Reading for Intelligent Maritime Surveillance},
author = {Jingxiang Qu and Ryan Wen Liu and Chenjie Zhao and Yu Guo and Sendren Sheng-Dong Xu and Fenghua Zhu and Yisheng Lv},
journal= {arXiv preprint arXiv:2310.07212},
year = {2023}
}
备注
12 pages,11 figures, submitted to IEEE T-ITS