تتطور البنى التحتية البحرية بشكل متسارع، حيث توفر إمكانية الوصول المستمر إلى تدفقات استشعار متنوعة تسهم في تجارب إعادة الاختبار وتطوير التوائم الرقمية، بالإضافة إلى خدمات بحرية تعتمد على الذكاء الاصطناعي. ومع ذلك، لا يكفي وجود الأجهزة فقط؛ بل يجب أيضًا فهرسة وتفكيك تدفقات الفيديو التاريخية بشكل مكاني، وتهيئتها لتوفير مجموعات معلومات مفيدة للتعليق عليها.

تقدم ورقة عمل جديدة طريقة مبتكرة لتحويل البيانات من إطار إلى بانوراما، وتتضمن عينات واعية للسياق لرصد السفن في مقاطع الفيديو البحرية التاريخية، والتي تفتقر لمعلومات دقيقة حول زوايا الكاميرا. تكمن المساهمة الرئيسية في نهج شامل لجمع البيانات، يستعيد معلومات رؤية الكاميرا من الفيديوهات التاريخية ويجمعها مع السياقات البيئية والتنوع البصري لبناء مجموعات تدريب قصيرة ومخصصة.

تستخدم الدراسة خوارزميات مثل SuperPoint وLightGlue لتحديد مواضع الإطارات ضمن بانوراما مرجعية، مشبعة ببيانات الطقس وحالة الشمس، ويعتمد التخزين الانتقائي على تنوع المشاهد للحفاظ على التباين عبر الزوايا وظروف البيئة. ولتحسين الأداء في الحالات النادرة مثل السفن البعيدة، يتم توظيف تجميع Gaussian Mixture Model على مستوى البلاط.

تطبيق هذه المنهجية في منصة CMMI MDigi-I Smart Marina أظهَر تقليص عدد الإطارات المرشحة من 40,718 إلى 220 للإشارة، مما يمثل انخفاضًا بنسبة 99.5%. كما أظهر كاشف YOLO26-m المعدل على هذه المجموعة وسيلة فعالة من خلال تحقيق معدل دقة AP50 يبلغ 94.78% مع انحراف ±0.51%. تُظهر هذه النتائج القدرة على تحويل تدفقات الفيديو الفائضة إلى مجموعات تدريب مركزية ومتنوعه، مما يسهل التكيف مع كاشفات خاصة بالمشهد مع تقليل كبير للمجهود اللازم للتعليق.