Shipborne HFSWR Target Detection in Sea Clutter Regions Based on 3-D Feature Fusion
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».