Target Detection Through Riemannian Geometric Approach With Application to Drone Detection
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
Radar detection of small drones in presence of noise and clutter is considered from a differential geometry viewpoint. The drone detection problem is challenging due to low radar cross section (RCS) of drones, especially in cluttered environments and when drones fly low and slow in urban areas. This paper proposes two detection techniques, the Riemannian-Brauer matrix (RBM) and the angle-based hybrid-Brauer (ABHB), to improve the probability of drone detection under small sample size and low signal-to-clutter ratio (SCR). These techniques are based on the regularized Burg algorithm (RBA), the Brauer disc (BD) theorem, and the Riemannian mean and distance. Both techniques exploit the RBA to obtain a Toeplitz Hermitian positive definite (THPD) covariance matrix from each snapshot and apply the BD theorem to cluster the clutter-plus-noise THPD covariance matrices. The proposed Riemannian-Brauer matrix technique is based on the Riemannian distance between the Riemannian mean of clutter-plus-noise cluster and potential targets. The proposed angle-based hybrid-Brauer technique uses the Euclidean tangent space and the Riemannian geodesical distances between the Riemannian mean, the Riemannian median and the potential target point. The angle at the potential target on the manifold is computed using the law of cosines on the manifold. The proposed detection techniques show advantage over the fast Fourier transform, the Riemannian distance-based matrix and the Kullback-Leibler (KLB) divergence detectors. The validity of both proposed techniques are demonstrated with real data.
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 | 0,002 |
| 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