<title>Improved observable operator model for joint target tracking and classification</title>
Notice bibliographique
Résumé
The Observable Operator Model (OOM) approach have been proposed as a better alternative to the Hidden Markov Model (HMM). However the basic modeling of OOMs assume that the data is generated by some discrete state variable which can take on one of several values which is unreasonable for most classification problems. Main limitation of existing OOM classification is that they require substantial training data, assumed to be similar to the data on which the algorithm is tested. In many applications the target is observed from multiple target-sensor orientations (or aspects), and the underlying feature information is highly aspect dependant and continuous variable. The multi-aspect target classification method presented based on continuous-valued Observable Operator Model (OOM), from which a full posterior distribution of a target class is inferred. It is possible to extend a discrete OOM as a continuous-valued OOM using a membership function. Further, predefined set of classes were used in training based joint target tracking and classification methods. These methods perform poorly, when new target present in the surveillance region which is not in the available class-set. In order to overcome this shortage, we propose an online training algorithm for OOM, which identifies new incoming target classes and add them into the available class-set. As the number of target class increases with the online learning procedure, there is a need for an adaptive class-set selection in order to reduce computational cost. An adaptive class-set approach for joint target tracking and classification is formulated via hypotheses testing, which reduces computation cost compared to calculating OOM likelihood for each target class. Simulation results are given to demonstrates the merits of continuous-valued Observable Operator Method (OOM) for target classification over discrete OOM, advantages of online training OOM and the efficiency of class-set adaptation algorithm.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».