MétaCan
Menu
Retour à la cohorte
Enregistrement W4312865468 · doi:10.1109/oceans47191.2022.9977271

Improvements to Automated Change Detection Tools for SAS Images

2022· article· en· W4312865468 sur OpenAlexaffabout
Anna Crawford, Roy Edgar Hansen, Shawn F. Johnson, Jonathan King, Øivind Midtgaard, Torstein Olsmo Sæbø, Jose Salas, Emma Shouldice, Sonja Smith, Daniel D. Sternlicht, Denton Woods

Notice bibliographique

RevueOCEANS 2022, Hampton Roads · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueImage Processing and 3D Reconstruction
Établissements canadiensDefence Research and Development Canada
Organismes subventionnairesnon disponible
Mots-clésComputer scienceChange detectionComputer visionArtificial intelligenceComputer graphics (images)

Résumé

récupéré en direct d'OpenAlex

The process of reviewing seabed survey imagery for defence applications is time consuming for naval operators, and this workload is expected to increase with the large data volumes generated as high resolution synthetic aperture sonar (SAS) comes into service. Change detection is a means of reliably detecting newly occurring, moved, or removed seabed objects. It is particularly effective in cluttered environments such as harbours, or in areas that are routinely surveyed. While this technique offers a robust solution to the workload problem, in-service operator tools for post-mission analysis of survey imagery that are specifically designed for change detection are lacking. Coherent change detection (CCD), operating on complex-valued SAS imagery, offers the possibility of detecting very subtle seabed changes, and is an area of current research interest that is not yet implemented in operational tools. Automated change detection (ACD) processing performed on-board the sonar platform during the survey will provide the largest operational utility.Recognizing the complementary aspects of the three nations’ naval research programs in this area, the US (NSWC-PCD, ARL Penn State), Canada (DRDC), and Norway (FFI) have formed a collaborative project to advance operator aids for change detection: Coalition Underwater Mine and IED Defeat (CUMID). Goals of the joint program are to: improve robustness of image-based ACD algorithms; draft requirements and specifications for ACD performance assessment, including both evaluation of past or ongoing performance and prediction of future performance; and architect operator displays, tools, and decision aids. The envisioned final output of the collaboration is a set of well-crafted requirements and recommendations that can be implemented in a manner fitting national priorities and capabilities.This paper provides an overview of current change detection practice (the state of the art), the coalition project, activities ongoing in the participating nations’ research programs, highlights of workshop outputs, and plans for the future.

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)0,000
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: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,959
Score d'incertitude au seuil0,754

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
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 Opus0,023
Tête enseignante GPT0,266
Écart entre enseignants0,243 · 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'étudeAutre devis
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

Citations2
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueOCEANS 2022, Hampton RoadsMême sujetImage Processing and 3D ReconstructionTravaux en français237 207