Enhancing Ground-Penetrating Radar (GPR) Data Resolution Through Weakly Supervised Learning
Notice bibliographique
Résumé
Ground-penetrating radar (GPR) is a pivotal noninvasive tool that yields subsurface images critical to archeology, near-surface characterization, geotechnical studies, and disaster response. The antenna central frequency of the GPR system has a significant impact on penetration depth and resolution. Lower antenna frequencies penetrate deeper but at lower resolutions, while higher frequencies offer detailed images at reduced depths. Therefore, improving the resolution of low-frequency radar with increased detection depth is an essential research focus. Inspired by image super-resolution advancements, supervised deep learning methods that rely on strictly paired training data have achieved remarkable success. However, acquiring such paired samples in practical scenarios is often a formidable challenge. To tackle this, we propose a novel resolution enhancement technique through weakly supervised learning, effectively addressing the scarcity of strictly paired samples in real-world situations. We utilize two sets of antennas with different central frequencies to construct our training data, with a low-frequency antenna as input and a high-frequency antenna as the learning target. A cycle-consistent generative adversarial network (Cycle-GAN) is trained to discern the mapping between low-resolution inputs and unpaired high-resolution data. The refined network is then employed to improve low-frequency GPR data resolution. Our work is validated on synthetic and real-world datasets. The proposed method effectively strengthens critical high-frequency details for finer imaging and broadens the frequency bandwidth. Significantly, it enhances resolution without compromising the detection depth of low-resolution GPR data, marking a substantial advancement in subsurface imaging technology.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».