Reconstruction and fusion of perceptual features for automatic classification of sonar echoes
Notice bibliographique
Résumé
The long detection ranges provided by low-frequency active sources present many advantages to localize and track underwater threats from safe distances. However, in littoral environments, echoes from naturally occurring features cause false alarms which degrade the overall system performance. The use of perceptual features derived from those used in the human auditory system (aural features), has been shown to allow discrimination between target and clutter echoes for both impulsive and coherent sources. The present work extends these findings by examining the effect of the sonar bandwidth on these kinds of features using a large data set gathered during an experiment on the Malta Plateau. Two separate bandwidths corresponding to those of two acoustic sources used during the experiment are considered independently. Using echoes from the two sources considered separately, it is possible to effectively reconstruct many of the features that would be derived with a full bandwidth signal. The results have implications for the use of fusion techniques where two separate sources are employed cooperatively and fused at the feature level to classify targets. Next, by using only those features that can effectively be reconstructed, it is possible to examine the full effect of bandwidth on the performance of a classification system which uses aural features. Results show that the system performance can be maintained with a narrower bandwidth if the center frequency is shifted downwards. Finally, fusion of the two sources at the decision-level is presented. Using the technique described, it is possible to achieve the same performance as a system using a single broadband source.
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 | 0,000 | 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 | 0,000 | 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 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 ».