Deep Learning for Ship Classification on Medium Resolution SAR Imagery

• Main Authors: Moujahid, Bou, Laouz, Rodolphe, Vadaine, Guillaume, Hajduch, Fablet, Ronan
• Other Authors: Equipe Observations Signal & Environnement (Lab-STICC_OSE), Laboratoire des sciences et techniques de l'information, de la communication et de la connaissance (Lab-STICC), École Nationale d'Ingénieurs de Brest (ENIB)-Université de Bretagne Sud (UBS)-Université de Brest (UBO)-École Nationale Supérieure de Techniques Avancées Bretagne (ENSTA Bretagne)-Institut Mines-Télécom Paris (IMT)-Centre National de la Recherche Scientifique (CNRS)-Université Bretagne Loire (UBL)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom Paris (IMT)-École Nationale d'Ingénieurs de Brest (ENIB)-Université de Bretagne Sud (UBS)-Université de Brest (UBO)-École Nationale Supérieure de Techniques Avancées Bretagne (ENSTA Bretagne)-Institut Mines-Télécom Paris (IMT)-Centre National de la Recherche Scientifique (CNRS)-Université Bretagne Loire (UBL)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom Paris (IMT), Département Mathematical and Electrical Engineering (IMT Atlantique - MEE), IMT Atlantique (IMT Atlantique), Institut Mines-Télécom Paris (IMT)-Institut Mines-Télécom Paris (IMT), Collecte Localisation Satellites (CLS), Océan Dynamique Observations Analyse (ODYSSEY), Université de Bretagne Occidentale - UFR Sciences et Techniques (UBO UFR ST), Université de Brest (UBO)-Université de Brest (UBO)-Université de Rennes (UR)-Institut Français de Recherche pour l'Exploitation de la Mer (IFREMER)-Inria Rennes – Bretagne Atlantique, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-IMT Atlantique (IMT Atlantique), This work was performed under a research contract betweenCLS and IMT Atlantique. Part of the work was foundedsupported by ”France Relance”. We used Sentinel-1 dataacquired between 2017 and 2022 as part of the CopernicusSentinel programme., European Space Agency (ESA)
• Format: Conference Object
• Language: English
• Published: HAL CCSD 2023
• Subjects: SAR Synthetic Aperture Radar; Sentinel-1; Ship Classification; Medium resolution; AIS; Deep Learning; [SDE]Environmental Sciences; [MATH]Mathematics [math]; [PHYS]Physics [physics]; Longyearbyen; Norway
• Online Access: https://hal.science/hal-04277648; https://hal.science/hal-04277648v2/document; https://hal.science/hal-04277648v2/file/Ship_classification_v12%20%281%29.pdf

International audience This research delves into the classification of maritime vessels, utilizing medium-resolution Synthetic Aperture Radar (SAR) imagery obtained from Sentinel-1, alongside Automatic Identification System (AIS) data streams. The investigation is specifically designed to address a ternary classification challenge involving three distinct ship categories: Tanker, Cargo, and Others. Leveraging a dataset comprising over 80,000 ship images, a Convolutional Neural Network (CNN) ensemble is applied. The results reveal a total classification accuracy of 79%.