MétaCan
Menu
Retour à la cohorte
Enregistrement W2055927328 · doi:10.1117/12.2050571

High-performance hyperspectral imaging using virtual slit optics

2014· article· en· W2055927328 sur OpenAlexaff
Bradford B. Behr, Yusuf Bismilla, Andrew T. Cenko, Brandon DesRoches, Jeffrey T. Meade, Elizabeth A. Munro, Jared Slaa, Arsen R. Hajian

Notice bibliographique

RevueProceedings of SPIE, the International Society for Optical Engineering/Proceedings of SPIE · 2014
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueAdvanced Optical Sensing Technologies
Établissements canadiensTornado Spectral Systems (Canada)
Organismes subventionnairesnon disponible
Mots-clésHyperspectral imagingImaging spectrometerCoded apertureSpectral imagingThroughputOpticsSpectrometerSpectral resolutionFull spectral imagingComputer scienceImaging technologySynthetic aperture radarRemote sensingPhysicsArtificial intelligenceTelecommunicationsGeologyDetector

Résumé

récupéré en direct d'OpenAlex

Tornado Spectral Systems (TSS) has developed High Throughput Virtual Slit (HTVS) technology that improves the performance of spectrometers by factors of several while maintaining system size. In the simplest configuration, the HTVS allows optical designers to remove the lossy slit from a spectrometer, greatly increasing throughput without a loss of resolution. This is especially useful in many standoff applications, where every photon matters. TSS has tested multiple configurations of HTVS spectral sensing and spectral imaging technology, including standoff sensing, point scan imaging, long-slit pushbroom imaging and similar configurations. The HTVS throughput-resolution advantage allows us to increase scanning speed, decrease system size, decrease aperture, decrease source intensity requirements or some combination of all four. HTVS technology expands the realm of viable spectral imaging applications. We discuss the applicability of this technology to spectral imaging and standoff sensing and present experimental results from several prototype and production spectrometers.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,636
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,221
Écart entre enseignants0,213 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of SPIE, the International Society for Optical Engineering/Proceedings of SPIEMême sujetAdvanced Optical Sensing TechnologiesTravaux en français237 207