Real-time target detection in hyperspectral images based on spatial-spectral information extraction
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
Recently, real-time image data processing is a popular research area for hyperspectral remote sensing. In particular, target detection surveillance, which is an important military application of hyperspectral remote sensing, demands real-time or near real-time processing. The massive amount of hyperspectral image data seriously limits the processing speed. In this article, a strategy named spatial-spectral information extraction (SSIE) is presented to accelerate hyperspectral image processing. SSIE is composed of band selection and sample covariance matrix estimation. Band selection fully utilizes the high-spectral correlation in spectral image, while sample covariance matrix estimation fully utilizes the high-spatial correlation in remote sensing image. To overcome the inconsistent and irreproducible shortage of random distribution, we present an effective scalar method to select sample pixels. Meanwhile, we have implemented this target detection algorithm based on the SSIE strategy on the hardware of a digital signal processor (DSP). The implementation of a constrained energy minimization algorithm is composed of hardware and software architectures. The hardware architecture contains chips and peripheral interfaces, while software architecture contains a data transferring model. In the experiments, we compared the performance of hardware of DSP with that of Environment for Visualizing Images software. DSP speed up the data processing and also results in more effective in terms of recognition rate, which demonstrate that the SSIE implemented by DSP is sufficient to enable near real-time supervised target detection.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,005 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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