Скачать или смотреть Когда океан скрывает свою историю за облаками и тьмой, радар всё равно говорит.

В морской робототехнике сложность заключается не только в обнаружении судов на радиолокационных изображениях, но и в выборе наиболее надежного подхода к обнаружению с помощью ИИ/машинного обучения в условиях меняющегося морского пространства и при ограниченном времени.

В недавнем исследовании, опубликованном в открытом доступе, эта проблема была решена путем извлечения наиболее часто используемых характеристик производительности из исследований по обнаружению судов, а затем с помощью подхода на основе матриц теории графов (GTMA) было проведено ранжирование конкурирующих методов обнаружения с использованием системы оценки «постоянной функции».

В статье сообщается о точности обнаружения более 95% в ходе экспериментов при значительно сокращенном времени обработки, и показано, что предложенная оценка GTMA превзошла другие методы по сравнению с использованием точности, полноты и F1-меры.

Пример ранжирования демонстрирует, как GTMA различает альтернативы (например, метод обнаружения 2 занял первое место с PF=59,72, а метод обнаружения 8 — последнее с PF=37,84).


Почему это важно: более быстрый и обоснованный выбор модели может напрямую способствовать обеспечению безопасности на море, поисково-спасательным операциям, мониторингу границ и автономной робототехнике на поверхности и в воздухе — особенно когда решения необходимо принимать до развертывания, а не после сбоя.

Если вы разрабатываете системы автономного управления для работы в океане: оцениваете ли вы варианты восприятия с той же тщательностью, с какой тестируете систему управления вашего робота?

Вы можете ознакомиться с нашей статьей здесь (открытый доступ):
MDPI (JMSE): https://www.mdpi.com/2077-1312/11/10/...
DOI: https://doi.org/10.3390/jmse11101916

#AI #MachineLearning #Robotics #AutonomousSystems #ComputerVision #RemoteSensing #SAR #MaritimeSecurity #DecisionMaking #GraphTheory #EdgeAI #PerceptionSystems #ai #robotics #sar #imaging #maritime #science