A Deep Learning-Based Time-Frequency Scheme for Ship Detection Using HFSWR
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
Compact High frequency surface wave radar (HFSWR) has been widely used in remote sensing of oceanic dynamics and ship targets due to its convenient deployment and low cost. However, when using a constant false alarm rate (CFAR) detector, these systems experience performance degradation primarily because of echo nonstationarity. To address this challenge, a deep learning (DL)-based scheme tailored for identifying ship targets in the time-frequency (TF) domain is presented. To ensure high-quality model training, we develop a semiautomatic annotation approach that uses automatic identification system (AIS) information as a reference and collect a TF dataset named HFSWR-TFD. In addition, inspired by the dynamic snake convolution and triplet attention mechanism, an improved YOLOv5s model named DS-YOLOv5s is designed to effectively capture target ridges. The inference results are filtered using a confidence threshold and then transformed into the range-Doppler domain for final target identification. Experimental results on the newly collected dataset show significant improvements are achieved by DS-YOLOv5s. Compared to its baseline, the DS-YOLOv5s can increase the F1 score by 15.3%, and AP75 by 6.3%. Then, this pretrained DL model is integrated into the entire scheme to make comparison with existing CFAR detectors. With the AIS records as ground truth, our scheme achieves a match rate that is 2.27<inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">$\sim$</tex-math></inline-formula>8.17% greater than its CFAR counterparts. Moreover, the quantitative results of the associate tracks further confirm the superiority of the proposed method. In conclusion, the proposed scheme provides an effective and efficient solution for HFSWR ship detection.
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 | 0,000 | 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