Enhancing Ground-Penetrating Radar (GPR) Data Resolution Through Weakly Supervised Learning
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
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.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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