<title>State-of-the-art imaging Fourier-transform spectrometer with CCD camera</title>
Notice bibliographique
Résumé
Imaging Fourier-transform spectrometers can quickly produce massive amounts of raw data, especially when paired with large focal plane arrays. As the spatial resolution is increased, overwhelming amounts of data must be managed properly. A suitable design of the data processing chain is thus required to minimize the dataload and deliver processed information in real-time. This paper reviews the work being done to tailor data processing pipelines for Fourier-transform spectrometers (FTS) coupled with externally triggered CCD cameras. Various sampling techniques as well as spectral calibration and line shape correction approaches will be reviewed. Since traditional sampling techniques are not well suited for an FTS operating with a CCD camera, a hybrid time-position sampling approach is presented to reduce the number of samples per pixel. Furthermore, the approach enables a sampling jitter correction algorithm that can account for velocity fluctuations and channel delays, such as the CCD integration time. A fast spectral calibration approach is also demonstrated, based on a rapid line shape integration scheme. The calibration algorithm brings all pixel spectra on the same spectral grid and allows the user to directly compare spectral features between pixels. Moreover, the correction method offers software field-widening capabilities by binning pixels after spectral calibration. A large single-pixel detector can thus be emulated from the CCD array, allowing the user to broaden the field of view and to increase the SNR.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,155 | 0,095 |
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 ».