MétaCan
Menu
Retour à la cohorte
Enregistrement W3017083716 · doi:10.1109/maes.2020.2966316

Enhancing Classical Target Detection Performance Using Nonclassical Light

2020· preprint· en· W3017083716 sur OpenAlexaff
Han Liu, Amr S. Helmy

Notice bibliographique

RevueIEEE Aerospace and Electronic Systems Magazine · 2020
Typepreprint
Langueen
DomainePhysics and Astronomy
ThématiqueAdvanced Optical Sensing Technologies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésRangingNonclassical lightPhotonDetection theoryProtocol (science)ScalabilityComputer scienceCovertPhysicsSIGNAL (programming language)Noise (video)Real-time computingOpticsDetectorArtificial intelligenceTelecommunications

Résumé

récupéré en direct d'OpenAlex

In this article, we demonstrate theoretically and experimentally how one can exploit correlations generated in monolithic semiconductor quantum light sources to enhance the performance of optical target detection. A prototype target detection protocol, the quantum time-correlation (QTC) detection protocol, with spontaneous parametric down-converted photon-pair sources, is discussed. The QTC protocol only requires time-resolved photon-counting detection, which is phase-insensitive and therefore suitable for optical target detection. As a comparison to the QTC detection protocol, we also consider a classical phase-insensitive target detection protocol based on intensity detection. We formulated the target detection problem as a probe light transmission estimation problem, and we quantify the target detection performance with the Fisher information criterion and the receiver operation characteristic analysis. Unlike classical target detection and ranging protocols, the probe photons in our QTC detection protocol are completely indistinguishable from the background noise and therefore useful for covert ranging applications. Finally, our technological platform is highly scalable and tunable and thus amenable to large scale integration necessary for practical applications.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
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 savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,014
Tête enseignante GPT0,244
Écart entre enseignants0,230 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Aerospace and Electronic Systems MagazineMême sujetAdvanced Optical Sensing TechnologiesTravaux en français237 207