Baseline processing pipeline for fast automatic target detection and recognition in airborne 3D ladar imagery
Notice bibliographique
Résumé
It has been proven that 3D ladar imagery has a strong potential for automatic target detection (ATD) and automatic target recognition (ATR); ladars enhance target information, which may then be exploited to yield higher recognition rates and lower false alarms. Although numerous techniques have been proposed for both 3D ATD and 3D ATR, no single approach has proven capable of systematically outperforming all other techniques for every possible scenario. In this context, this paper describes a set of fast 3D ATD/ATR algorithms designed to process cooperative targets in airborne 3D ladar imagery. This algorithmic chain consists of four modules: detection, segmentation, classification and recognition. In each module, fast algorithms were implemented, some of which stem from open literature while others were designed in-house. The purpose of this algorithmic chain is to provide a baseline approach for efficient processing of simple scenarios. The ultimate goal of this work is to characterize and compare algorithms with respect to increasingly complex scenarios, in hopes of progressing towards an adaptive processing pipeline for context-driven 3D ATD/ATR. In this paper, the four modules of the baseline processing pipeline are first described. Preliminary test results obtained with real airborne ladar imagery are then presented, in which fast and accurate 3D ATD/ATR is performed with a library of 20 scanned vehicles. Finally, a demonstration is presented to illustrate how this baseline approach may be expanded to tackle more complex scenarios, such as non-cooperative targets concealed under vegetation.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».