An Attention Based Complex-valued Convolutional Autoencoder for GEO SA-Bi SAR Ship Target Refocusing
Notice bibliographique
Résumé
Since ship targets are defocused due to heave motions caused by ocean waves, and contaminated by background clutter under rough sea conditions, high-resolution (HR) ship imaging is a great challenge in a Geosynchronous spaceborne/ airborne bistatic synthetic aperture radar (GEO SA-Bi SAR) system. Inspired by the recent success of artificial neural network (ANN) and deep learning (DL) in optical image processing, an improved complex-valued convolutional autoencoder (ICV-CAE) based on attention mechanism is proposed for GEO SA-Bi SAR ship target imaging. Different from the conventional SAR imaging methods that depend on parameters estimation and motion compensation, the proposed ICV-CAE can be trained to learn the mapping relation between the defocused inputs and the HR SAR images of ship targets. Hence, the well trained ICV-CAE can be regarded as a refocusing processor and applied to the complex- valued GEO SA-Bi SAR signals after range compression to achieve the HR ship target refocusing and sea clutter suppression simultaneously. The correctness and effectiveness of the proposed algorithm is validated by the experiment results in both ship target refocusing and sea clutter suppression.
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 | 0,000 |
| 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 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 ».