یک روش هوشمند جدید مبتنی بر شبکه های کپسولی برای طبقه بندی کشتی های دریایی

شناسایی و طبقه بندی دقیق کشتی ها نقش مهمی در پایش هوشمند ترافیک دریایی، امنیت دریایی و مدیریت عملیات امداد و نجات دارد. با این حال، پیچیدگی محیط های دریایی، تغییرات جوی، شرایط نوری نامناسب و شباهت ظاهری کشتی ها، چالش های جدی برای سیستم های شناسایی ایجاد می کند. در این مقاله، یک روش هوشمند جدید مبتنی بر شبکه های کپسولی برای طبقه بندی تصاویر کشتی های دریایی ارائه شده است. شبکه های کپسولی با استفاده از کپسول ها به عنوان واحدهای پردازش اطلاعات، قادر به حفظ روابط فضایی بین ویژگی ها بوده و اطلاعات جامع تری از ساختار اشیا ارائه می دهند. این ویژگی باعث افزایش صحت تصمیم گیری مدل می شود. برای ارزیابی عملکرد مدل پیشنهادی، از مجموعه داده MARVEL با ۲۴ هزار تصویر در ۸ دسته استفاده شد. در آزمایش های انجام شده، دقت کلی مدل در طبقه بندی تصاویر ۶۱/۹۷ درصد بود. در میان دسته ها بیشترین دقت مربوط به دسته کشتی های کروز با ۹۹ درصد و کمترین دقت مربوط به دسته ناوهای هواپیمابر با ۹۵ درصد بود. همچنین نتایج نشان داد که مدل پیشنهادی در شرایط نوری متفاوت، فاصله های زیاد و وجود چندین شیء در تصویر عملکرد مناسبی دارد. مقایسه دقت، حساسیت و عملکرد زمانی مدل پیشنهادی با شبکه های عمیق شناخته شده مانند GoogleNet، ResNet و VGGNet نشان داد که مدل پیشنهادی در بسیاری از شرایط برتر عمل می کند. این یافته ها نشان دادند که مدل ما ضمن عملکرد مناسب، میتواند به عنوان ابزاری قدرتمند و موثر برای طبقه بندی کشتی های دریایی در سامانه های نظارتی مورد استفاده قرار گیرد.

کلیدواژه ها:

طبقه بندی ، کشتی های دریایی ، یادگیری عمیق ، شبکه های کپسولی ، شبکه های کانولوشنی