通过使用深度卷积神经网络进行转移学习来对船舶轨迹进行分类
Hwan Kim1, Mingyu Choi1, Sekil Park2
1Department of Computer Science and Engineering, Chungnam National University, Daejeon, Korea.
PloS one
|August 26, 2024
概括
本研究介绍了Dense121-VMC,这是一个新的深度学习框架,用于从自动识别系统 (AIS) 数据中对船舶轨迹进行分类. 它有效地区分了航行和游荡模式,提高了海上安全.
科学领域:
- 海上安全和航行航行
- 交通运输中的人工智能
- 数据分析和机器学习
背景情况:
- 自动识别系统 (AIS) 数据对于海上安全和有效的船舶航行至关重要.
- 深度学习,特别是卷积神经网络 (CNN),为分类船只轨迹提供了先进的方法.
- 目前的CNN方法往往难以捕捉细微的特征,区分帆船和游荡模式.
研究的目的:
- 开发一种新的深度卷积神经网络 (DCNN) 框架,用于同时提取和分类帆船和游船轨迹.
- 通过捕捉移动模式的微妙差异来提高船舶轨迹分类的准确性和效率.
- 利用转移学习来减少数据依赖和减轻过度匹配问题.
主要方法:
- 介绍Dense121-VMC框架,一个利用转移学习的DCNN.
- 框架的应用,从代表船舶轨迹的输入图像中提取重要特征.
- 航行和游荡运动模式的同时分类.
主要成果:
- 丹斯121-VMC框架在从船舶轨迹数据中提取关键特征方面表现出了效率.
- 该方法成功地发现了帆船和游荡轨迹之间的微妙差异.
- 转移学习有效地减少了对大量数据集的需求,并有助于防止过度拟合.
结论:
- 拟议的Dense121-VMC框架为船舶轨迹分类提供了一种新且有效的解决方案.
- 这种方法有助于提高海上安全和航行效率.
- 该框架处理复杂轨迹模式的能力展示了其对现实世界应用的潜力.
