Automatic Detection of Ships in RADARSAT-1 SAR Imagery
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
RÉSUMÉNOAA/NESDIS a initié le programme "Alaska SAR Demonstration" dont l'objectif est de faire la démonstration du potentiel des images RSO en bande C de RADARSAT-1 à fournir une information utile et en temps opportun sur l'environnement et pour la gestion des ressources pour des utilisateurs en Alaska. Un des produits développés dans le cadre du programme est une liste de localisations des navires. Cet article décrit l'algorithme développé pour générer ce produit par le biais de la détection automatique des navires basée sur des changements dans les statistiques locales. À l'aide d'images à basse résolution (100 mètres d'espacement), on démontre que l'on peut détecter des navires de dimension supérieure à 35 mètres (représentant 105 navires sur un total de 272 dans la zone test) avec un taux de fausse alerte de 0,01% pour une seule détection. Avec des images à haute résolution (50 mètres d'espacement), on peut détecter des navires d'une dimension supérieure à 32 mètres (représentant 124 navires sur 272) avec un taux de fausse alerte de 0,002% pour une seule détection. L'algorithme est entièrement automatisé et prend environ 10 minutes de temps-machine pour traiter une image ScanSAR en mode B large.SUMMARYNOAA/NESDIS has initiated a program called the Alaska SAR Demonstration with the goal of demonstrating the utility of RADARSAT-1 C-band SAR imagery to provide useful, timely environmental and resource management information to users in Alaska. One product generated under the program is a list of ship locations. This paper describes the algorithm developed to generate this product by automatically detecting ships based on changes in the local statistics. Using low resolution imagery (100 metres sample spacing) it is shown that ships of lengths greater than 35 metres can be detected (representing 105 ships out of a total of 272 in the test set) with a false alarm rate of 0.01% for a single detection. With high-resolution imagery (50 metres sample spacing) ships of lengths greater than 32 metres can be detected (representing 124 ships out of 272) with a false alarm rate of 0.002% for a single detection. The algorithm is completely automated and takes approximately 10 minutes of elapsed time to run on a ScanSAR Wide B Mode image.View correction statement:Automatic Detection of Ships in RADARSAT-1 SAR Imagery Additional informationNotes on contributorsC.C. Wackerman• Christopher C. Wackerman is with Veridian ERIM International, P.O. Box 134008 Ann Arbor MI USA 48113-4008.K.S. Friedman• Karen S. Friedman, William G. Pichel, Pablo Clemente-Colón and Xiaofeng Li are with NOAA/NESDIS, WWBG, E/RA3, Room 102, 5200 Auth Rd., Camp Springs MD USA 20746-4304.W.G. Pichel• Karen S. Friedman, William G. Pichel, Pablo Clemente-Colón and Xiaofeng Li are with NOAA/NESDIS, WWBG, E/RA3, Room 102, 5200 Auth Rd., Camp Springs MD USA 20746-4304.P. Clemente-Colón• Karen S. Friedman, William G. Pichel, Pablo Clemente-Colón and Xiaofeng Li are with NOAA/NESDIS, WWBG, E/RA3, Room 102, 5200 Auth Rd., Camp Springs MD USA 20746-4304.X. Li• Karen S. Friedman, William G. Pichel, Pablo Clemente-Colón and Xiaofeng Li are with NOAA/NESDIS, WWBG, E/RA3, Room 102, 5200 Auth Rd., Camp Springs MD USA 20746-4304.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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