Target Detection Through Riemannian Geometric Approach With Application to Drone Detection
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».