SAR Remote Sensing of Canadian Coastal Waters using Total Variation Optimization Segmentation Approaches
Notice bibliographique
Résumé
The synthetic aperture radar (SAR) onboard Earth observing satellites has been acknowledged as an integral tool for many applications in monitoring the marine environment. Some of these applications include regional sea-ice monitoring and detection of illegal or accidental oil discharges from ships. Nonetheless, a practicality of the usage of SAR images is greatly hindered by the presence of speckle noises. Such noise must be eliminated or reduced to be utilized in real-world applications to ensure the safety of the marine environment. Thus this thesis presents a novel two-phase total variation optimization segmentation approach to tackle such a challenging task. In the total variation optimization phase, the Rudin-Osher-Fatemi total variation model was modified and implemented iteratively to estimate the piecewise smooth state by minimizing the total variation constraints. In the finite mixture model classification phase, an expectation-maximization method was performed to estimate the final class likelihoods using a Gaussian mixture model. Then a maximum likelihood classification technique was utilized to obtain the final segmented result. For its evaluation, a synthetic image was used to test its effectiveness. Then it was further applied to two distinct real SAR images, X-band COSMO-SkyMed imagery containing verified oil-spills and C-band RADARSAT-2 imagery mainly containing two different sea-ice types to confirm its robustness. Furthermore, other well-established methods were compared with the proposed method to ensure its performance. With the advantage of a short processing time, the visual inspection and quantitative analysis including kappa coefficients and F1 scores of segmentation results confirm the superiority of the proposed method over other existing methods.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».