Ship Wake Detection Based on Polarimetric Enhancement and Deep Learning via a Simulated Full-Polarized Dataset
Notice bibliographique
Résumé
Ship wake detection provides a supplementary way for ship target detection; however, the detection performances of small and slow targets under high sea state are always unsatisfying. Also, the potential of polarimetric enhancement and deep learning (DL) techniques in ship wake detection still remains to be further discovered. In this article, first, the polarimetric enhancement methods based on the polarimetric whitening filter (PWF) and polarimetric detection optimization filter (PDOF) have been researched. Since the measured full-polarized synthetic aperture radar (SAR) images of ship wake are rather limited and inadequate for DL techniques, a full-polarized wake detection dataset (FPWDD) has been established for the first time. It was constructed based on 6000 simulated polarimetric SAR (PolSAR) images of a typical small surface vehicle, including four kinds of target numbers, five kinds of wind speeds, five kinds of wind directions, five kinds of ship velocities, and 36 kinds of ship heading angles. It is composed of two kinds of images: the full covariance matrixes stored in the TIF format and the images after the Pauli decomposition stored in the RGB format. Furthermore, the ship wake detection has been performed based on the FPWDD and three widely applied target detection DL networks for the HH, HV, VV, PWF, and PDOF channels. Finally, an analysis of the wake detection performances of the five channels has been carried out, which has proved that the polarimetric enhancement methods can obviously enhance the wake detection performance of small surface vehicles, with most evaluation metrics about 10% higher than that of HH, VV, and HV.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».