MétaCan
Menu
Retour à la cohorte
Enregistrement W3008732642 · doi:10.5515/kjkiees.2017.28.9.723

Simplified Factorizing-Technique for Airborne FMCW-SAR Image Reconstruction

2017· article· en· W3008732642 sur OpenAlexaff
Ji-Hwan Hwang, Duk‐jin Kim, Jin-Woo Kim, Jae-Woo Ok, Hee-Sub Shin, Eung-Noh You

Notice bibliographique

RevueThe Journal of Korean Institute of Electromagnetic Engineering and Science · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced SAR Imaging Techniques
Établissements canadiensNexen (Canada)University of Manitoba
Organismes subventionnairesNational Research Foundation of Korea
Mots-clésSynthetic aperture radarComputer scienceBeamwidthComputer visionInverse synthetic aperture radarImage (mathematics)Artificial intelligenceProjection (relational algebra)Computational complexity theoryBack projectionRemote sensingRadar imagingAlgorithmRadarGeologyTelecommunications

Résumé

récupéré en direct d'OpenAlex

Simplified factorizing-technique to improve the efficiency on computational procedure and the complexity of the conventional back-projection algorithm, which is used to reconstruct airborne FMCW-SAR image, is suggested, and the reconstruction process of SAR image by this simplified factorizing-technique are presented in this paper. This technique can be efficiently applied to airborne FMCW-SAR having a relatively narrow beamwidth and long synthetic aperture length, and its basic rationale is to exclude the data that has low level of contribution during computational procedure. Using the raw data of practical airborne FMCW-SAR system, performances of this proposed technique such as SAR image quality and processing time were compared and analyzed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,272
Score d'incertitude au seuil0,442

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,247
Écart entre enseignants0,237 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of Korean Institute of Electromagnetic Engineering and ScienceMême sujetAdvanced SAR Imaging TechniquesTravaux en français237 207