Enhancement of Sonar Detection in Karst Caves Through Advanced Target Location and Image Fusion Algorithms
Notice bibliographique
Résumé
Over extended periods, nature's forces have sculpted and solidified unique cave formations.The scientific community's increasing interest in studying these karst caves has highlighted the significance of advanced detection methods.Sonar caving, a prevalent technique, still grapples with comprehensive detection within these intricate structures.This study delves into the amalgamation of target location and image fusion algorithms to bridge this gap.Target location elucidates an object's position, dimensions, and intrinsic characteristics within a designated temporal and spatial domain.Image fusion, a leading topic within image processing, leverages the consolidation of diverse data types and formats, thereby playing a pivotal role in image enhancement, compression, and recognition.From a deep learning perspective, neural network output values were calculated, facilitating an improvement in positioning accuracy.Further, through matrix decomposition and wavelet transforms, the fusion efficacy was scrutinized, aiming to broaden the sonar detection ambit.Comparative experimentation underscored the efficacy of integrating these two algorithms in sonar-based karst cave detection.It was observed that not only did the image clarity amplify, but there was also a notable 7.93% augmentation in positioning accuracy and a surge in detection speed.Cumulatively, a 7.64% boost in the overall efficiency of sonar detection in karst caves was achieved, underscoring the imperative nature of these technological advancements for cave surveillance.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».