An expert system for privacy-preserving vessel detection leveraging optimized Extended-YOLOv7 and SHA-256
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Maritime data security plays a crucial role in in Navy and Coastal Areas, where the detection of vessels is sensitive as well as boundless and demands privacy preservation and accurate identification. While manual identification of vessels can be challenging, advancements in Cryptographic hash functions, Deep Learning technology, and image processing have simplified the task. However, existing techniques like YOLOv3, with its struggles in handling unusual aspect ratios, YOLOv5’s low mean average precision, and R-CNN’s increased complexity and lack of privacy preservation, motivate the need for an improved approach. In lieu of this, we propose an Extended-YOLOv7 model as a more effective detection solution due to its favorable characteristics like CSPNet, Feature Fusion Module (FFM), Spatial Pyramid Pooling (SPP), and Non-Maximum Suppression (NMS). Additionally, utilization of the gradient descent algorithm aims to optimize system performance. To ensure privacy preservation, our work employs the widely recognized and secure hashing algorithm SHA-256, which is extensively used for data security. The proposed system facilitates detecting vessel traffic in designated areas such as ports and harbours as well as enables real-time vessel detection and tracking for enhanced security and safety purposes. In addition to safeguarding sensitive data, our research addresses compliance with privacy regulations, mitigates the risks of data breaches, and upholds ethical considerations. With the integration of these driving factors, this work strives to elevate the security analysis of detected maritime vessels, foster a sense of trust and assurance, and promote the use of ethical data management techniques. The proposed model provides better performance than other state-of-the-art methods. Specifically, this is accomplished by achieving a 9.3% increase in Precision over YOLOv7.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle