A Salient Region Detection and Pattern Matching-Based Algorithm for Center Detection of a Partially Covered Tropical Cyclone in a SAR Image
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
Spaceborne microwave synthetic aperture radar (SAR), with its high spatial resolution, large area coverage, day/night imaging capability, and penetrating cloud capability, has been used as an important tool for tropical cyclone monitoring. The accuracy of locating tropical cyclone centers has a large impact on the accuracy of tropical cyclone track prediction. Usually, the center of a tropical cyclone can be accurately located if the tropical cyclone eye is fully covered by a SAR image. In some cases, due to the limited coverage of the SAR, only a part of a tropical cyclone can be imaged without the eye. From a SAR image processing point of view, these facts make the automatic center location of tropical cyclones a challenging work. This paper addresses the problem by proposing a semiautomatic center location method based on salient region detection and pattern matching. A salient region detection algorithm is proposed, in which the salient region map contains mainly the rain bands of a tropical cyclone in a SAR image. The pattern matching problem is transformed into an optimization problem solved by using the particle swarm optimization algorithm to search the best estimated center of a tropical cyclone. To estimate the accuracy of the located center, we compare the results with the NOAA National Hurricane Center's best track data. Experiments demonstrate that the proposed method achieves good accuracy for locating the centers of tropical cyclones from SAR images that do not contain a distinguishable eye signature.
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