A Framework and Method for Surface Floating Object Detection Based on 6G Networks
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
Water environment monitoring has always been an important method of water resource environmental protection. In practical applications, there are problems such as large water bodies, long monitoring periods, and large transmission and processing delays. Aiming at these problems, this paper proposes a framework and method for detecting floating objects on water based on the sixth-generation mobile network (6G). Using satellite remote sensing monitoring combined with ground-truth data, a regression model is established to invert various water parameters. Then, using chlorophyll as the main reference indicator, anomalies are detected, early warnings are given in a timely manner, and unmanned aerial vehicles (UAVs) are notified through 6G to detect targets in abnormal waters. The target detection method in this paper uses MobileNetV3 to replace the VGG16 network in the single-shot multi-box detector (SSD) to reduce the computational cost of the model and adapt to the computing resources of the UAV. The convolutional block attention module (CBAM) is adopted to enhance feature fusion. A small target data enhancement module is used to enhance the network identification capability in the training process, and the key-frame extraction module is applied to simplify the detection process. The network model is deployed in system-on-a-chip (SOC) using edge computing, the processing flow is optimized, and the image preprocessing module is added. Tested in an edge environment, the improved model has a 2.9% increase in detection accuracy and is 55% higher in detection speed compared with SSD. The experimental results show that this method can meet the real-time requirements of video surveillance target detection.
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 | 0,001 | 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 | 0,000 |
| 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