Vessel detection and tonnage regression for marine surveillance

Detection of dark vessels, ships that deliberately deactivate their transponders to evade maritime surveillance, represents a significant challenge in maritime safety and security. This Thesis presents a novel framework for detecting such vessels using satellite imagery, particularly Synthetic Aperture Radar (SAR) data. The proposed method integrates a Faster R-CNN model with a dimensions regression module to predict ships' length and width. Then, a K-Nearest Neighbors (KNN) based approach is employed to implement a Gross Tonnage regression module which exploits both categorical and numerical ship characteristics predicted by the detection network to estimate the Gross Tonnage, a key factor in determining whether a vessel should have its Automatic Identification System (AIS) transponder turned on. The research also introduces an automatic training set preparation method to assign AIS messages to SAR images, significantly reducing the manual effort in data preparation. Experimental results demonstrate the effectiveness of the proposed framework in predicting the dimensions and the Gross Tonnage of detected ships. Future improvements include refining the annotation process to mitigate noise from coastal areas, integrating additional AIS metrics, and exploring advanced model enhancements such as attention mechanisms and rotated bounding boxes.

L'identificazione di vascelli "dark", ovvero navi che volontariamente disattivano i loro transponder per evadere sistemi di sorveglianza del traffico marittimo, rappresentano un'importante sfida nel campo della sicurezza nautica. Questa tesi presenta un nuovo framework volto alla rilevazione di navi tramite immagini satellitari, in particolare dati "Synthetic Aperture Radar" (SAR). Il metodo proposto integra una rete neurale Faster R-CNN con un algoritmo di regressione per predire lunghezza e larghezza delle navi. Successivamente, un modulo di regressione basato su K-Nearest-Neighbors (KNN) sfrutta caratteristiche sia categoriche sia numeriche predette dalla rete di identificazione per stimare la Gross Tonnage, un fattore chiave nel determinare quali navi dovrebbero avere il transponder per il sistema di identificazione automatico (AIS) acceso. In questo lavoro presentiamo anche un metodo automatico per preparare il training set; questo assegna i messaggi di AIS alle immagini SAR, riducendo significativamente lo sforzo manuale richiesto nella preparazione dei dati. I risultati sperimentali dimostrano l'efficacia del metodo proposto nel rilevare navi, predirne le dimensioni e la Gross Tonnage. Sviluppi futuri includono un raffinamento del processo di annotazione per renderlo resiliente al rumore tipico delle aree costiere, integrando metriche aggiuntive dei messaggi AIS ed esplorando ulteriori miglioramenti dei modelli di detection, come meccanismi di attention, e rotating bounding box.