Synthetic Aperture Radar Image Segmentation by Modified Student's t-Mixture Model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Synthetic aperture radar (SAR) data are often affected by speckle noise, which originates in the SAR system's coherent nature. In this paper, we introduce a simple and effective algorithm to make the traditional Student's t-mixture model (SMM) more robust to noise. The proposed new modified SMM (MSMM) is applied for SAR image segmentation. SMM has come to be regarded as an alternative to the Gaussian mixture model (GMM) as it is heavy tailed and more robust to outliers. However, a major shortcoming of this method is that it does not take into account the spatial dependencies in the image. Although some existing methods incorporate the spatial relationship between neighboring pixels, they are still not robust enough to noise. The advantages of our method are as follows. First, we introduce MSMM to incorporate the local spatial information and pixel intensity value by considering the conditional probability of an image pixel influenced by the probabilities of pixels in its immediate neighborhood. Furthermore, we introduce the additional parameter α to control the extent of this influence. The larger α indicates the heavier extent of influence in the neighborhoods. Second, the prior probability of an image pixel is influenced by the probabilities of pixels in its immediate neighborhood, which incorporates local spatial and component information. Third, our model is based on the finite mixture model (FMM); it is simple and easy to implement, and the expectation maximization algorithm can be applied for estimation of optimal parameters. Finally, the traditional SMM can be considered as a special case of our model. Thus, our method is general enough for FMM-based techniques. Experimental results on both simulated and real SAR images demonstrate the improved robustness and effectiveness of our approach.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 découle