Using convolutional neural networks on perceptual and spectral features: Classification experiments on the TREX’13 dataset
Notice bibliographique
Résumé
Distinguishing objects of interest on the seafloor from clutter remains a key problem facing the automatic target recognition (ATR) community. Because scattering at high frequencies relates more to the geometry of the scatterer, traditional ATR on high frequency imaging sonars is known to suffer in areas of high clutter. Recently, there has been interest in low frequency (1–50 kHz) wideband imaging sonars, because the complex combination of external (geometric) and internal (elastic) scattering that occurs in this frequency range is thought to improve classification in areas of high clutter. This work investigates the classification problem of distinguishing unexploded ordnance (UXO) from clutter using image-based Convolutional Neural Networks on the TREX’13 dataset. This dataset consists of experimental and modelled acoustic backscatter for objects interrogated acoustically at 3–30 kHz across a range of aspects. The model data are used exclusively for training, and the experimental data are used exclusively for testing purposes. The generated feature-set is a combination of acoustic colour and perceptual features, which are derived from modelling how humans perceive timbre. Further in an effort to address the differing amplitude modulations between sets of model and experimental data and improve classified performance, several moving window normalizations will be investigated.
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 | 0,001 | 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 | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».