Comparison of broadband and hyperspectral thermal infrared imaging of buried threat objects
Notice bibliographique
Résumé
Previous research by many groups has shown that broad-band thermal infrared (TIR) imagers can detect buried explosive threat devices, such as unexploded ordnance (UXO), landmines and improvised explosive devices (IEDs). Broad-band detection measures the apparent temperature - an average over the wave band of the product of the true soil surface temperature and the emissivity. Broad-band detection suffers from inconsistent performance (low signal, high clutter rates), due in part to diurnal variations, environmental and meteorological conditions, and soil surface effects. It has been suggested that hyperspectral TIR imaging might have improved performance since it can, in principle, allow extraction of the wavelength-dependent emissivity and the true soil surface temperature. This would allow the surface disturbance effects to be separated from the soil column (bulk) effects. A significant, and as yet unanswered, question is whether hyperspectral TIR images provide better detection capability (higher probability of detection and/or lower false alarm rate) than do broad-band thermal images. TIR hyperspectral image data of threat objects, buried and surface-laid in bare soil, were obtained in arid, desert-like conditions over full diurnal cycles for several days. Regions of interest containing threat objects and backgrounds were extracted throughout the time period. Simulated broad-band images were derived from the hyperspectral images. The diurnal variation of the images was studied. Hyperspectral was found to provide some advantage over broad-band imaging in detection of buried threat objects for the limited data set studied.
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) | 0,000 | 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 | 0,001 |
| 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 | 0,000 |
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 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 ».