Multi Frequency Analysis of Scattering Matrix and Scattering Power Matrix for Marine Vessels Detection
Notice bibliographique
Résumé
Independence of Synthetic Aperture Radar (SAR) images from weather and sun illumination helps us in maritime surveillance like an oil spill, to identify the illegal fishery activity and unauthorized marine vessels. Detection of marine vessels is like a point target detection in coarse to moderate resolution images. Detection of point targets is adversely affects by speckle noise. Object detection in SAR images, without explicitly reducing the speckle noise is one of the challenging task. In this paper two algorithms are presented, which show how improvement in the power of point target lead us to reduced number of false alarms. The first algorithm has three parts. First part uses Grave matrix, which is a ( 2×2) Hermitian power matrix, generated by the multiplication of Sinclair matrix and conjugate of Sinclair matrix. Second part uses discrimination criteria to discriminate between clutter and vessels based on eigenvalue of the Grave matrix (G). The third part, fill the gaps by using morphological dilation. The only difference between the first and the second algorithms is that, in the second algorithm we uses Sinclair matrix (S2) instead of Grave matrix. Both the algorithms tested on two full-polarization (HH, HV, VH, VV) datasets and the results show the importance of scattering power matrix (G) as compared to scattering matrix (S2) for point target detection. The first data set is of size 498*498 captured by AlOS-1 PALSAR L-band data, covering the coastal region of Singapore. The second data set is of size 472*472, covering the coast of Vancouver acquired in C-band by Radarsat-2.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».