Texture-based classification of ground-penetrating radar images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Image texture is one of the key features used for the interpretation of radar facies in ground-penetrating radar (GPR) data. Establishing quantitative measures of texture is therefore a critical step in the effective development of advanced techniques for the interpretation of GPR images. This study presents the first effort to evaluate whether different measures of a GPR image capture the features of the data that, when coupled with a neural network classifier, are able to reproduce a human interpretation. The measures compared in this study are instantaneous amplitude and frequency, as well as the variance, covariance, Fourier-Mellin transform, R-transform, and principle components (PCs) determined for a window of radar data. A 50-MHz GPR section collected over the William River delta in Saskatchewan, Canada, is used for the analysis. We found that measures describing the local spatial structure of the GPR image (i.e., covariance, Fourier-Mellin, R-transform, and PCs) were able to reproduce human interpretations with greater than 93% accuracy. In contrast, classifications based on image variance and the instantaneous attributes agreed with the human interpretation less than 68% of the time. Among the textural measures that preserve spatial structure, we found that the best ones are insensitive to within facies variability while emphasizing differences between facies. For the specific case of the William River delta, the Fourier-Mellin transform, which retains information about the spatial correlation of reflections while remaining insensitive to their orientation, outperformed the other measures. Our work in describing radar texture provides an important first step in defining quantitative criteria that can be used to aid in the classification of radar data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle