Improved Maritime Vessel Detection in Camera Images using Bag-of-Visual-Words

Autonome fartøy er avhengig av intelligente beslutningsalgoritmer basert på maskinlæring. En stor fordel innen maskinlæring er at dype nettverk utvikler seg mot å bli kraftfulle verktøy innen objekt deteksjon. Dype nettverk brukes i ulike felt innen den maritime industrien som blant annet til klassifisering av skip, kollisjonsunngåelse og navigasjon. Utfordringer innenfor havnmiljøet gir imidlertid behov for unike løsninger. I denne rapporten ble Bag-of-Visual-Words (BoVW) metoden brukt til å klassifisere og detektere skip i optiske bilder fra maritime omgivelser. En interessepunktdetektor eller sliding window blir først brukt til å hente ut deler av skipet. Så blir skips- og bakgrunnsdeler med like egenskaper gruppert sammen med \textit{k}-means cluster algoritmen for å lage en ordbok for begge kategoriene. Ordbøkene vil så bli brukt for å teste ytelsen til modellen. De delene som tilsvarer skipsklassen, blir så matchet med treningsdataen for å klassifisere hver skipsdel. Målet med prosjektet var å undersøke om BoVW kan brukes til å hente ut informasjon fra fartøyet for å forbedre deteksjon av skip i havnemiljøer. Resultatene fra testene som har blitt gjort i dette prosjektet viser at metoden har forbedringspotensial. Metoden viser lovende resultater under visse situasjoner, men skipsdeteksjon fra havnemiljøer viser seg å være utfordrende