Fine-grained visual categorization has recently received great attention as the volumes of labeled datasets for classification of specific objects, such as cars, bird species, and air-crafts, have been increasing. The availability of large datasets led to significant performance improvements in several vision-based classification tasks. Visual classification of maritime vessels is another important task, assisting naval security and surveillance applications. We introduced, MARVEL, a large-scale image dataset for maritime vessels, consisting of 2 million user-uploaded images and their various attributes, including vessel identity, type, category, year built, length, and tonnage, collected from a community website. The images were categorized into vessel type classes and also into superclasses defined by combining semantically similar classes, following a semi-automatic clustering scheme. For the analysis of the presented dataset, extensive experiments have been performed, involving several potentially useful applications: vessel type classification, identity verification, retrieval, and identity recognition with and without prior vessel type knowledge. Furthermore, we attempted interesting problems of visual marine surveillance such as predicting and classifying maritime vessel attributes such as length, summer deadweight, draught, and gross tonnage by solely interpreting the visual content in the wild, where no additional cues such as scale, orientation, or location are provided. By utilizing generic and attribute-specific deep representations for maritime vessels, we obtained promising results for the aforementioned applications.

中文翻译：

---

船舶的通用和特定属性深度表示

由于用于对特定对象（例如汽车，鸟类和飞机）进行分类的标记数据集的数量一直在增加，因此细粒度的视觉分类最近受到了广泛的关注。大型数据集的可用性大大改善了一些基于视觉的分类任务的性能。海上船只的视觉分类是另一项重要任务，有助于海军安全和监视应用。我们介绍了MARVEL，这是一个大型海事船舶图像数据集，由200万个用户上传的图像及其各种属性组成，其中包括从社区网站收集的船舶标识，类型，类别，建造年份，长度和吨位。这些图像分为血管类型类和通过组合语义相似的类定义的超类，遵循半自动聚类方案。为了分析提供的数据集，已进行了广泛的实验，涉及几种潜在有用的应用：容器类型分类，身份验证，检索和具有或不具有先前容器类型知识的身份识别。此外，我们尝试了一些有趣的视觉海洋监控问题，例如仅通过解释野外的视觉内容来预测和分类诸如长度，夏季载重量，吃水和总吨位之类的海上船只属性，而没有其他提示，例如规模，方向，或位置。通过利用通用的和特定于属性的深层表示法，我们为上述应用获得了可喜的结果。为了分析提供的数据集，已进行了广泛的实验，涉及几种潜在有用的应用：容器类型分类，身份验证，检索和具有或不具有先前容器类型知识的身份识别。此外，我们尝试了一些有趣的视觉海洋监控问题，例如仅通过解释野外的视觉内容来预测和分类诸如长度，夏季载重量，吃水和总吨位之类的海上船只属性，而没有其他提示，例如规模，方向，或位置。通过利用通用的和特定于属性的深层表示法，我们为上述应用获得了可喜的结果。为了分析提供的数据集，已进行了广泛的实验，涉及几种潜在有用的应用：容器类型分类，身份验证，检索和具有或不具有先前容器类型知识的身份识别。此外，我们尝试了一些有趣的视觉海洋监控问题，例如仅通过解释野外的视觉内容来预测和分类诸如长度，夏季载重量，吃水和总吨位之类的海上船只属性，而没有其他提示，例如规模，方向，或位置。通过利用通用的和特定于属性的深层表示法，我们为上述应用获得了可喜的结果。涉及几种潜在有用的应用程序：具有和不具有事先容器类型知识的容器类型分类，身份验证，检索和身份识别。此外，我们尝试了一些有趣的视觉海洋监控问题，例如仅通过解释野外的视觉内容来预测和分类诸如长度，夏季载重量，吃水和总吨位之类的海上船只属性，而没有其他提示，例如规模，方向，或位置。通过利用海事船只的通用和特定于属性的深度表示，我们在上述应用中获得了可喜的结果。涉及几种潜在有用的应用程序：具有和不具有事先容器类型知识的容器类型分类，身份验证，检索和身份识别。此外，我们尝试了一些有趣的视觉海洋监控问题，例如仅通过解释野外的视觉内容来预测和分类诸如长度，夏季载重量，吃水和总吨位之类的海上船只属性，而没有其他提示，例如规模，方向，或位置。通过利用海事船只的通用属性和特定于属性的深度表示，我们在上述应用中获得了可喜的结果。我们尝试了视觉海洋监视的有趣问题，例如通过仅解释野外的视觉内容来预测和分类诸如长度，夏季载重量，吃水和总吨位之类的海上船只属性，而没有其他提示，例如规模，方向或位置提供。通过利用海事船只的通用属性和特定于属性的深度表示，我们在上述应用中获得了可喜的结果。我们尝试了视觉海洋监视的有趣问题，例如通过仅解释野外的视觉内容来预测和分类诸如长度，夏季载重量，吃水和总吨位之类的海上船只属性，而没有其他提示，例如规模，方向或位置提供。通过利用通用的和特定于属性的深层表示法，我们为上述应用获得了可喜的结果。