Iceberg and ship detection and classification in single, dual and quad polarized synthetic aperture radar
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
Iceberg and ship identification in satellite synthetic aperture radar (SAR) data is an essential part of offering an operational iceberg surveillance program. Identification here refers to detection of ocean SAR targets and then classification of these targets as iceberg, ship, or unknown. Maximizing the detection and minimizing incorrect classification of iceberg and ship targets are required. Because coarser resolution satellite SAR data is at times not as intuitive as satellite optical data for manual human interpreted target classification, this process can be labor intensive, subjective, and error prone. Therefore, it is desired that an automated method for iceberg or ship identification be implemented. The methodology investigated here follows a well known standard in supervised pattern recognition, the maximum likelihood-quadratic discriminant function. The goal here in this thesis is to build class models from known iceberg and ship targets. Each class model is based on features that describe targets such as brightness, texture, and shape. Based on these descriptors as training input into the discriminant functions, future unknown targets can be compared with the class model for best fit. The best fit (or minimum distance) is used to assign class status for these unknown targets. One major consideration when using this type of pattern recognition approach is feature selection. Feature selection is based on the notion that some subset (subspace) of the descriptive metrics will lead to improved classification accuracy when comparing discriminant functions. Sequential forward selection and variants of exhaustive search algorithms are implemented and compared. RADARSAT-1, ENVSIAT AP (HH/HV), and EMISAR SAR iceberg and ship targets are used for algorithm training, feature selection, and performance estimation.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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