Deep Learning-Based Automatic Clutter/Interference Detection for HFSWR
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
High-frequency surface wave radar (HFSWR) plays an important role in wide area monitoring of the marine target and the sea state. However, the detection ability of HFSWR is severely limited by the strong clutter and the interference, which are difficult to be detected due to many factors such as random occurrence and complex distribution characteristics. Hence the automatic detection of the clutter and interference is an important step towards extracting them. In this paper, an automatic clutter and interference detection method based on deep learning is proposed to improve the performance of HFSWR. Conventionally, the Range-Doppler (RD) spectrum image processing method requires the target feature extraction including feature design and preselection, which is not only complicated and time-consuming, but the quality of the designed features is bound up with the performance of the algorithm. By analyzing the features of the target, the clutter and the interference in RD spectrum images, a lightweight deep convolutional learning network is established based on a faster region-based convolutional neural networks (Faster R-CNN). By using effective feature extraction combined with a classifier, the clutter and the interference can be automatically detected. Due to the end-to-end architecture and the numerous convolutional features, the deep learning-based method can avoid the difficulty and absence of uniform standard inherent in handcrafted feature design and preselection. Field experimental results show that the Faster R-CNN based method can automatically detect the clutter and interference with decent performance and classify them with high accuracy.
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