Pixel-Wise Signal-to-Noise Ratio: A Novel Metric for Quantifying the Detectability of Targets in Infrared Images
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
In this paper, a new Signal-to-Noise Ratio (SNR) metric is proposed to quantify the detectability of targets in infrared (IR) images.The proposed metric is based on the contrast between the target and the background, which is consistent with human perception in terms of distinguishing the target from the background, rather than the raw intensity values of the target.In the contrast calculation, individual contribution of each pixel value of the target is considered in the proposed metric, whereas the mean or a single representative raw intensity value of the target is taken into account in the existing metrics.As subjective evaluations are the most precise tools for distinguishing the target from the background, SNR metrics used for IR images are expected to be as consistent as possible with the human visual system.That is, due to its high contrast sensitivity, the human visual system responds to stimuli by cognitively distinguishing the target from the background.Therefore, human perceptioninspired target distinguishability metrics aim to quantify the target detectability consistent with the human visual system, which is capable of distinguishing very small differences in contrast.Extensive performance evaluation tests on well-known IR image datasets, VIVID, SENSIAC and AMCOM, and synthetic image sets demonstrate that the proposed pixel-wise SNR metric quantifies target distinguishability from the background more consistently with subjective evaluations than other SNR metrics.Furthermore, the proposed metric is always robust even when the other metrics fail to accurately quantify target distinguishability.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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