HỌC LIÊN KẾT ĐỂ PHÁT HIỆN ĐỐI TƯỢNG TÀU: KHẢO SÁT CÁC PHƯƠNG PHÁP, THÁCH THỨC VÀ HƯỚNG ĐI TRONG TƯƠNG LAI
Thanh bên của bài viết
Nội dung chính của bài viết
Tóm tắt
Lĩnh vực hàng hải rất quan trọng đối với phát triển kinh tế và thương mại quốc tế, đồng thời đóng vai trò quan trọng trong việc bảo vệ chủ quyền quốc gia. Việc khai thác tài nguyên biển phụ thuộc nhiều vào tàu biển, là trung tâm của vận tải và hoạt động ngoài khơi. Đối với các vùng ven biển thường xuyên bị ảnh hưởng bởi thiên tai như bão và sóng thần, nhu cầu cấp thiết về hệ thống phát hiện tàu đáng tin cậy sử dụng máy bay không người lái, vệ tinh, radar hoặc camera giám sát. Các hệ thống như vậy cho phép xác định và phối hợp kịp thời các tàu trên biển, tạo điều kiện thuận lợi cho việc sơ tán đến các khu vực an toàn trong các sự kiện cực đoan. Ngoài ra, phát hiện tàu là điều cần thiết để giám sát các hoạt động hàng hải trái phép và xâm nhập bất hợp pháp vào lãnh hải. Mặc dù các nghiên cứu gần đây đã khám phá ứng dụng của học máy, học sâu và học liên kết trong môi trường hàng hải, nhưng vẫn còn một lỗ hổng trong việc tích hợp các phương pháp này vào các khuôn khổ thống nhất. Bài báo này nhằm mục đích xem xét và phân tích các phương pháp phát hiện tàu, với mục tiêu xác định các thuật toán và mô hình phù hợp để triển khai thực tế trong các điều kiện hoạt động đa dạng.
Lượt tải xuống
Chi tiết bài viết
Tài liệu tham khảo
Badgujar, C. M., Poulose, A., & Gan, H. (2024). Agricultural object detection with You Only Look Once (YOLO) Algorithm: A bibliometric and systematic literature review. Computers and Electronics in Agriculture, 223, 109090. doi: 10.1016/j.compag.2024.109090.
Barretta, D., Millefiori, L. M., & Braca, P. (2024). Analytical Classification Performance Analysis Of Machine-Learning-Based Ship Detection From Optical Satellite Imagery. IGARSS 2024 - 2024 IEEE International Geoscience and Remote Sensing Symposium, 8861-8865. doi: 10.1109/IGARSS53475.2024.10642217.
Bochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv. doi: 10.48550/arXiv.2004.10934.
Chan, S., Wu, B., Zhang, G., Yao, Y., & Wang, H. (2024). Learning Discriminatory Information for Object Detection on Urine Sediment Image. Computer Modeling in Engineering & Sciences, 138(1), 411-428. doi: 10.32604/cmes.2023.029485.
Cheng, S., Zhu, Y., & Wu, S. (2023). Deep learning based efficient ship detection from drone-captured images for maritime surveillance. Ocean Engineering, 285(2), 115440. doi: 10.1016/j.oceaneng.2023.115440.
D'Souza, K., Puthusseri, S., & Samuel, A. G. (2023). Scalable Federated Learning for Privacy-Preserving Credit Card Fraud Detection. 2023 IEEE International Carnahan Conference on Security Technology (ICCST), 1-6. doi: 10.1109/ICCST59048.2023.10726848.
Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., & Houlsby, N. (2021). An Image Is Worth 16×16 Words: Transformers for Image Recognition at Scale. International Conference on Learning Representations (ICLR).
Duong, A. K., La, T. V., Lê, H.-Â., & Pham, M.-T. (2025). FedShip: Federated Learning for Ship Detection From Multi-Source Satellite Images. IEEE Geoscience and Remote Sensing Letters, 22, 1-5. doi: 10.1109/LGRS.2024.3511122.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge, MA, USA: MIT Press.
Guna, A., Ganeriwala, P., & Bhattacharyya, S. (2024). Exploring Machine Learning Engineering for Object Detection and Tracking by Unmanned Aerial Vehicle (UAV). 2024 International Conference on Machine Learning and Applications (ICMLA), 1001–1004. doi: 10.1109/ICMLA61862.2024.00149.
Hatfaludi, C.-A., & Serban, A. (2025). Foundational Models and Federated Learning: Survey, Taxonomy, Challenges and Practical Insights. PeerJ Computer Science, 11, e2993. doi: 10.7717/peerj-cs.2993.
Huang, Y., Liu, W., Lin, Y., Kang, J., Zhu, F., & Wang, F.-Y. (2025). FLCSDet: Federated Learning-Driven Cross-Spatial Vessel Detection for Maritime Surveillance With Privacy Preservation. IEEE Transactions on Intelligent Transportation Systems, 26(1), 1177-1192. doi: 10.1109/TITS.2024.3488497.
IBM. (n.d.). What is deep learning? IBM Think. Retrieved December 01, 2025, from https://www.ibm.com/think/topics/deep-learning
Joshi, M., Pal, A., & Sankarasubbu, M. (2022). Federated Learning for Healthcare Domain - Pipeline, Applications and Challenges. ACM Transactions on Computing for Healthcare, 3(4), 40. doi: 10.1145/3533708.
Kairouz, P., & McMahan, H. B. (2021). Advances and Open Problems in Federated Learning. Foundations and Trends in Machine Learning, 14(1-2), 1-210. doi: 10.1561/2200000083.
La, T.-V., Pham, M.-T., Li, Y., Matgen, P., & Chini, M. (2025). Adaptive Federated Learning for Ship Detection Across Diverse Satellite Imagery Sources. IGARSS 2025 - 2025 IEEE International Geoscience and Remote Sensing Symposium, 6596-6600. doi: 10.1109/IGARSS55030.2025.11243906.
Li, T., Sahu, A. K., Talwalkar, A., & Smith, V. (2020). Federated Learning: Challenges, Methods, and Future Directions. IEEE Signal Processing Magazine, 37(3), 50-60. doi: 10.1109/MSP.2020.2975749.
Li, T., Sahu, A. K., Zaheer, M., Sanjabi, M., Talwalkar, A., & Smith, V. (2020). Federated Optimization in Heterogeneous Networks. Proceedings of Machine Learning and Systems (MLSys). doi: 10.48550/arXiv.1812.06127.
Lim, W. Y. B., Luong, N. C., Hoang, D. T., Jiao, Y., Liang, Y.-C., Yang, Q., Niyato, D., & Miao, C. (2020). Federated Learning in Mobile Edge Networks: A Comprehensive Survey. IEEE Communications Surveys & Tutorials, 22(3), 2031-2063. doi: 10.1109/COMST.2020.2986024.
MarketsandMarkets. (2023). Federated Learning Solutions Market. MarketsandMarkets. Retrieved November 29, 2025, from https://www.marketsandmarkets.com/Market-Reports/federatedlearning-solutions-market-151896843.html.
McMahan, H. B., Moore, E., Ramage, D., Hampson, S., & Agüera y Arcas, B. (2017). Communication-Efficient Learning of Deep Networks from Decentralized Data. Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (AISTATS), JMLR: W&CP, 54. doi: 10.48550/arXiv.1602.05629.
Nair, V., & Hinton, G. E. (2010). Rectified linear units improve restricted boltzmann machines. Proceedings of the 27th International Conference on Machine Learning (ICML), 807-814.
Nandal, P., Bohra, N., Mann, P., & Das, N. N. (2025). YOLOv11 with transformer attention for real-time monitoring of ships: A federated learning approach for maritime surveillance. Results in Engineering, 27, 106297. doi: 10.1016/j.rineng.2025.106297.
Nguyen, D. C., Pham, Q.-V., Pathirana, P. N., Ding, M., Seneviratne, A., Lin, Z., Dobre, O., & Hwang, W.-J. (2022). Federated Learning for Smart Healthcare: A Survey. ACM Computing Surveys, 55(3), 60. doi: 10.1145/3501296.
Pandya, S., Srivastava, G., Jhaveri, R., Babu, M. R., Bhattacharya, S., Maddikunta, P. K. R., Mastorakis, S., Piran, M. J., & Gadekallu, T. R. (2023). Federated learning for smart cities: A comprehensive survey. Sustainable Energy Technologies and Assessments, 55, 102987. doi: 10.1016/j.seta.2022.102987.
Qi, Z., Meng, L., Chen, Z., Hu, H., Lin, H., & Meng, X. (2023). Cross-Silo Prototypical Calibration for Federated Learning with Non-IID Data. Proceedings of the 31st ACM International Conference on Multimedia, 3099-3107. doi: 10.1145/3581783.3612481.
Reddi, S., Charles, Z., Zaheer, M., Garrett, Z., Rush, K., Konečný, J., Kumar, S., & McMahan, H. B. (2021). Adaptive Federated Optimization. arXiv preprint arXiv:2003.00295. doi: 10.48550/arXiv.2003.00295.
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779-788. doi: 10.1109/CVPR.2016.91.
Sun, S., Wang, J., & Tan, D. (2023). Ship Detection in SAR Images Based on CFAR and Machine Learning. 2023 16th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI), 1-6. doi: 10.1109/CISP-BMEI60920.2023.10373385.
Wei, H., Lee, D.Y., Rohal, S. et al. (2026). A survey of foundation models for IoT: taxonomy and criteria-based analysis. CCF Trans. Pervasive Comp. Interact. 8, 1-29. doi: 10.1007/s42486-025-00208-w.
Woo, S., Park, J., Lee, JY., & Kweon, I.S. (2018). CBAM: Convolutional Block Attention Module. In: Ferrari, V., Hebert, M., Sminchisescu, C., Weiss, Y. (eds) Computer Vision – ECCV 2018. ECCV 2018. Lecture Notes in Computer Science(), vol 11211. Springer, Cham. doi: 10.1007/978-3-030-01234-2_1.
Wu, C.-M., Lei, J., Li, Z.-Q., & Ren, M.-L. (2025). Ship_YOLO: General ship detection based on mixed distillation and dynamic task-aligned detection head. Ocean Engineering, 323, 120616. doi: 10.1016/j.oceaneng.2025.120616.
Yang, Q., Liu, Y., Chen, T., & Tong, Y. (2019). Federated Machine Learning: Concept and Applications. ACM Trans. Intell. Syst. Technol., 10(2), 12. doi: 10.1145/3298981.
Lecun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324. doi: 10.1109/5.726791.
Yang, X., Yan, J., Ming, Q., Wang, W., Zhang, X., & Tian, Q. (2021). Rethinking Rotated Object Detection with Gaussian Wasserstein Distance Loss. Proceedings of the 38th International Conference on Machine Learning, 139, 11830-11841.
Yildirim, E., & Kavzoglu, T. (2025). Deep convolutional neural networks for ship detection using refined DOTA and TGRS-HRRSD high-resolution image datasets. Advances in Space Research, 75(2), 1871-1887. doi: 10.1016/j.asr.2024.10.028.
Yong, W., Ling, L., Xiao, T., & Bing, J. (2024). Multi-Modal Ship Object Detection in Optical and SAR Images. 2024 IEEE 2nd International Conference on Image Processing and Computer Applications (ICIPCA), Shenyang, China, 1321-1325. doi: 10.1109/ICIPCA61593.2024.10709219.
Zhang, L., & Yin, H. (2022). Research on Ship Detection Method of Optical Remote Sensing Image Based on Deep Learning. 2022 International Conference on Sensing, Measurement & Data Analytics in the era of Artificial Intelligence (ICSMD), 1-6. doi: 10.1109/ICSMD57530.2022.10058312.
Zhang, S., Han, Q., Wang, H., Liu, J., & Li, B. (2025). Federated learning with dual dynamic quantization optimization in smart agriculture. Internet of Things, 34, 101798. doi: 10.1016/j.iot.2025.101798.
Zhao, T., Wang, Y., Li, Z., Gao, Y., Chen, C., Feng, H., & Zhao, Z. (2024). Ship Detection with Deep Learning in Optical Remote-Sensing Images: A Survey of Challenges and Advances. Remote Sensing, 16(7), 1145. doi: 10.3390/rs16071145.
Zhang, W., & Ren, M. (2024). PillarDANet: An Improved PillarNet with Dual-Attention Mechanism for Ship Detection. 2024 International Conference on Image Processing, Computer Vision and Machine Learning (ICICML), 1605-1610. doi: 10.1109/ICICML63543.2024.10958078.
Zhao, Y., Li, M., Lai, L., Suda, N., Civin, D., & Chandra, V. (2018). Federated Learning with Non-IID Data. arXiv. doi: 10.48550/ARXIV.1806.00582.
Zhao, Z.-Q., Zheng, P., Xu, S.-T., & Wu, X. (2019). Object Detection With Deep Learning: A Review. IEEE Transactions on Neural Networks and Learning Systems, 30(11), 3212-3232. doi: 10.1109/TNNLS.2018.2876865.