Scattering Key-Frame Extraction for Comprehensive VideoSAR Summarization: A Spatiotemporal Background Subtraction Perspective
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
Video synthetic aperture radar (VideoSAR) presents significant potential to enhance the performance of automatic information retrieval and interpretation in the dynamic region of interest (DROI). Key-frame extraction represents effective contents in processing massive video data. In this article, a novel computer vision-based background subtraction perspective is proposed for automatic VideoSAR scattering key-frame selection. A universal parameterization scattering key-frame model is firstly investigated, which serves to reveal the VideoSAR scattering key frames. Then, a spatiotemporal scattering extractor, called the subaperture energy gradient (SEG), together with a modified statistical and knowledge-based object tracker (MSAKBOT) is proposed to robustly discriminate the scattering key-frame state of the alternation between transient persistence and disappearance. The proposed SEG-MSAKBOT method presents a more comprehensive measurement of scattering key frames that is adaptive to the multitemporal video sequences effectively. Finally, experimental results and performance assessment conducted on two real airborne VideoSAR data with the coherent integration angles of 21° and 27° demonstrate that the proposed perspective is robust and reliable to capture scattering key frames and video content summarization with highly accurate descriptions in various DROIs.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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