A hierarchical target recognition method based on image processing
Notice bibliographique
Résumé
In order to provide an accurate and rapid target recognition method for some military affairs, public security, finance and otherdepartments, this paper studied firstly a variety of fuzzy signal, analyzed the uncertainties classification and their influence,eliminated fuzziness processing, presents some methods and algorithms for fuzzy signal processing, and compared with othermethods on image processing. Where, the fuzzy signal processing is that a blurred signal is dealt with by eliminating fuzziness.Moreover, this paper used the wavelet packet analysis to carry out feature extraction of target for the first time, extractedthe coefficient feature and energy feature of wavelet transformation, gave the matching and recognition methods, comparedwith the existing target recognition methods by experiment, and presented the hierarchical recognition method. In target featureextraction process, the more detailed and rich texture feature of target can be obtained by wavelet packet to image decompositionto compare with the wavelet decomposition. In the process of matching and recognition, the hierarchical recognition methodis presented to improve the recognition speed and accuracy. The wavelet packet transformation is used to carry out the imagedecomposition. Through experiment results, the proposed recognition method has the high precision, fast speed, and its correctrecognition rate is improved by an average 6.13% than that of existing recognition methods. These researches development inthis paper can provide an important theoretical reference and practical significance to improve the real-time and accuracy onfuzzy target recognition.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,003 |
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 ».