Indicating Ambiguous False Positives to Improve Wide-Area SAR Vessel Detection
Notice bibliographique
Résumé
Automatic vessel detection based on wide-area synthetic aperture radar (SAR) imagery is achieved via a statistical hypothesis test in which a ship is declared detected when the pixel intensity exceeds a predetermined threshold. Inherent to the physical principle of SAR as a pulsed radar system, not only legitimate vessels are detected but also ambiguous reflections caused by the periodic sampling of the scene. These ambiguous returns occur in both directions, azimuth and range, and can originate at land or ships. Depending on the chosen beam mode and system parameters, many also exceed the threshold and can severely degrade the overall performance quality. In the literature, several elaborate technological and signal-processing techniques were proposed to either entirely avoid the emerging of ambiguities or at least suppress them significantly. While hardware-based solutions are not readily available on existing spacecraft and potentially cost prohibitive on future ones, most processing algorithms are computationally too laborious for near real-time applications. This article presents an alternative solution. As SAR-based ship detection is not about creating neat imagery, ambiguities may be tolerated as long as they can be reliably identified as such during a follow-on examination. This step is being proposed to be a novel additional statistical test that decides which hypothesis (vessel or ambiguity probability) was more likely to have generated the prior detected pixel cluster. The effectiveness of the method is shown theoretically and corroborated with real RADARSAT Constellation Mission (RCM) data.
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 | 0,001 | 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 ».