Shipborne HFSWR Target Detection in Sea Clutter Regions Based on 3-D Feature Fusion
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
Shipborne high-frequency surface wave radar (HFSWR) systems face the challenge of sea clutter spreading, which obscures vessel echoes and makes detection difficult. In this article, we propose a novel 3-D target detection algorithm that effectively identifies vessel targets in sea clutter using multidimensional fusion features. The algorithm consists of two stages: 3-D spectrum construction and target detection. In the 3-D spectrum construction stage, the digital narrow beam forming (DNBF) method is combined to transform the range-Doppler (RD) spectrum into a range-Doppler–azimuth 3-D spectrum. In the target detection stage, a two-level cascade target detection algorithm is proposed. At the first level, a 3-D extremum detection algorithm identifies potential vessels in sea clutter from the 3-D spectrum and locates the 3-D tensor blocks containing high-dimensional morphology features of these potential vessels. At the second level, we introduce an intelligent 3-D tensor block classifier, which includes a two-channel 3-D feature-extraction network and a feature classifier. This network extracts 3-D morphology features from the tensor blocks using 3-D discrete wavelet transform and a 3-D convolutional neural network (CNN). The extracted features are then fused using robust sparse linear discriminant analysis (RSLDA), and an extreme learning machine processes the fusion features to produce the final results. The experimental results show that the proposed algorithm outperforms state-of-the-art methods in terms of detection rate and false alarm rate.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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