Measuring Synthetic Aperture Radar target differences with stochastic distances
Notice bibliographique
Résumé
Synthetic Aperture Radar (SAR) imagery plays a central role as a source of unique data for Geographic Information Systems. These data sets provide complementary information to that provided by optical and infra-red sensors as, for instance, Landsat TM, CBERS-2, IKONOS and SPOT, to name a few. SAR sensors capture information about the target roughness and its dielectric properties, and their imaging capabilities are able to penetrate clouds, fog, rain and even some types of land cover as, for instance, forest canopies. A major issue related to the use of SAR images is their statistical behavior. It is well known that classical Gaussian and additive models do not hold for such data. The multiplicative model (MM) has been extensively tested with success, and it is able to explain phenomenological aspects of the image formation. One of the most important distributions related to the MM is the G° law. The G° distribution, as all other laws related to the MM, greatly departs from the Gaussian model. This paper assesses the SAR image discrimination capabilities of selected parametric methods based on divergences measures, when compared to the nonparametric Kolmogorov-Smirnov testing methodology. The importance of the Triangular and Arithmetic-Geometric distances is quantified with respect to the Kullback-Leibler parametric and Kolmogorov-Smirnov non-parametric classical distances by means of Monte Carlo simulation.
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.
Comment cette classification a été obtenuedéplier
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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».