Sharpening Sidescan Sonar Images for Shallow-Water Target and Habitat Classification With a Vertically Stacked Array
Notice bibliographique
Résumé
Sidescan imagery is commonly used to provide a 2-D real-time “look” at the seafloor in high resolution. In shallow-water environments, however, interference from surface scattering and from multipath signals may deteriorate the quality of the sidescan images to the point where target detection and classification are no longer achievable. This paper investigates the extent to which this interference may be suppressed by a small array which employs across-track beamforming. A sidescan array utilizing a vertical stack of six receive elements was constructed, and is shown to be effective at providing a clear view of the seafloor when surface and multipath interference is present. A theoretical analysis examines the relative path strengths of the received signals for different across-track beam patterns, and examines how these signals are affected when beamforming is applied on transmit and/or receive. Shadow contrast reduction caused by the along-track beamwidth is also considered for different along-track beam patterns and different target widths. A simulator was created to illustrate the impact of interference contributing to the received signal, and to show how the received signal is affected when beamforming is applied. The across-track beam patterns of the experimental array were measured, and these data are used to enhance the theoretical and simulated predictions of received signal strength. Experimental data are also presented in which a sidescan image, heavily contaminated by interference, is significantly improved using across-track beamforming. It is concluded that a vertically stacked multielement sidescan sonar which employs across-track beamforming on receive is a valuable tool for suppressing the multipath and surface interference which arise in shallow-water surveys.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».