Advanced Interferometric Techniques for High-Resolution Bathymetry
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
Abstract Current high-resolution sidescan and multibeam sonars produce very large data sets. However, conventional interferometry-based bathymetry algorithms underestimate the potential information of such soundings, generally because they use small baselines to avoid phase ambiguity. Moreover, these algorithms limit the triangulation capabilities of multibeam echosounders (MBES) to the detection of one sample per beam, i.e., the zero-phase instant. In this paper, we argue that the correlation between signals plays a very important role in the exploration of a remotely observed scene. In the case of multibeam sonars, capabilities can be improved by using the interferometric signal as a continuous quantity. This allows consideration of many more useful soundings per beam and enriches understanding of the environment. To this end, continuous interferometry detection is compared here, from a statistical perspective, first with conventional interferometry-based algorithms and then with high-resolution methods such as the Multiple Signal Classification (MUSIC) algorithm. We demonstrate that a well-designed interferometry algorithm based on a coherence error model and an optimal array configuration permits a reduction in the number of beam formings (and therefore the computational cost) and an improvement in target detection (such as ship mooring cables or masts). A possible interferometry processing algorithm based on the complex correlation between received signals is tested on both sidescan sonars and MBESs and shows promising results for detection of small in-water targets.
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 | 0,001 |
| 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 | 0,001 |
| 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 découle