Synthetic Aperture Radar-Based Ship Classification Using CNN and Traditional Handcrafted Features
Notice bibliographique
Résumé
Ship classification for maritime surveillance is done using satellite-borne synthetic aperture radar (SAR) images that consist of only a small group of bright pixels with noisy background and no proper gradient. Abstract (AB) features obtained using deep learning techniques such as a convolutional neural networks (CNN) alone are insufficient to provide an accurate ship classification. The abstract features (AB) extracted from CNN and common meaningful handcrafted (HC) features such as histogram of oriented gradients (HOG), local binary features (LBF), KAZE features (KF), binary robust invariant scalable keypoints features (BF), and scale-invariant feature transform (SIFT), are combined for ship classification using SAR images. HC features of the two polarizations of SAR images are dimensionally reduced and concatinated. AB and HC features are derived individually from each polarization of the SAR image and the classifier outputs are combined through soft and weighted voting (late fusion). Consolidated AB features are obtained through early fusion of the two polarization images or through mid fusion and then combined with HC features for classification. Experimental results on OpenSARShip dataset demonstrates the effectiveness of fusing HC features with abstract features as the combined feature set outperforms individual (both HC and AB) feature sets. Additionally, it has been observed that both early fusion and late fusion (using weighted voting) yield superior results compared to mid-fusion. The highest accuracy is achieved while combining AB features from early fusion and LBF features, while almost similar accuracy is obtained with weighted voting in late fusion using the same features.
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 ».