Notice bibliographique
Résumé
Speckle filter performance depends strongly on the speckle and scene models used as the basis for filter development. These models implicitly incorporate certain assumptions about speckle, scene, and observed signals. In this study, the multiplicative and the product speckle models, which have been used for the development of most of the well-known filters, are analyzed, and their implicit assumptions with regard to the stationarity-nonstationarity nature of speckle are discussed. This leads to the definition of two categories of speckle filters: the stationary and the nonstationary multiplicative speckle model filters. The various approximate models used for the multiplicative speckle noise model are assessed as functions of speckle and scene characteristics to derive the requirements on scene signal variations for the validity of both the stationary and nonstationary multiplicative speckle models. Speckle filtering is then studied in the context of estimation theory, so as to develop a procedure for speckle filtering. It is shown that speckle filtering can be effective only in locally stationary scenes. Regions in which the signals are not stationary have to be filtered separately using a priori scene templates for the best matching of nonstationary scene features. The use of multiresolution techniques is crucial for accurate estimation of filter parameters. Under the guidance of the speckle filtering procedure, structural-multiresolution versions of the Lee (1980) and Frost et al. (1982) filters are developed for optimum application of these filters in the context of nonstationary scene signals.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| 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 | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».