Pulse-Length-Tolerant Features and Detectors for Sector-Scan Sonar Imagery
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
This paper presents a neural-network-based system to detect small man-made objects in sequences of sector-scan sonar images created using signals of various pulse lengths. The detection of such objects is considered out to ranges of 150 m by using an experimental sector-scan sonar system mounted on a vessel. The sonar system considered in this investigation has three modes of operation to create images over ranges of 200, 400, and 800 m from the vessel using acoustic pulses of a different duration for each mode. After an initial cleaning operation performed by compensating for the motion of the vessel, the imagery is segmented to extract objects for analysis. A set of 31 features extracted from each object is examined. These features consist of basic object size and contrast features, shape moment-based features, moment invariants, and features extracted from the second-order histogram of each object. Optimal sets of 15 features are then selected for each mode and over all modes using sequential forward selection (SFS) and sequential backward selection (SBS). These features are then used to train neural networks to detect man-made objects in each sonar mode. By the addition of a feature describing the sonar's mode of operation, a neural network is trained to detect man-made objects in any of the three sonar modes. The multimode detector is shown to perform very well when compared with detectors trained specifically for each sonar mode setting. The proposed detector is also shown to perform well when compared to a number of statistical detectors based on the same set of features. The proposed detector achieves a 92.4% probability of detection at a mean false-alarm rate of 10 per image, averaged over all sonar mode settings.
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 | 0,000 | 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) | 0,000 | 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