A Multistage Detection Framework Based on TFA and Multiframe Correlation for HFSWR
Notice bibliographique
Résumé
Maritime surveillance heavily relies on high-frequency surface wave radar (HFSWR) systems. However, clutter and interference make it difficult to accurately detect vessel targets using a single-frame detection method. This study introduces an improved time-frequency analysis (TFA) algorithm to enhance the features in single-frame detection. In this article, TFA, multiframe correlation, and deep neural networks are integrated to develop a three-stage detection framework. Firstly, faster R-CNN is customized for the preprocessing stage to identify sea clutter regions. Then, based on the range-Doppler (RD) spectrum, suspicious targets are swiftly identified amidst clutter in the initial stage. Subsequently, the improved TFA algorithm is applied to adjacent range cells of suspicious targets to generate multiframe TF images, forming a three-dimensional data block structured as time-range-Doppler frequency. To reduce computational complexity, a TFA method using multisynchrosqueezing transform is employed, enhancing detection accuracy for targets within cluttered regions. In the final stage, a 3DResnet model is utilized to leverage the differences in features between clutter and targets across three dimensions. This allows for distinguishing genuine targets from false targets using time series information from multiple frames. Comparative analysis against classical target detection algorithms demonstrates the superior detection performance of the proposed framework within clutter regions. This showcases its potential for enhancing the maritime surveillance capabilities of HFSWR.
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 | 0,001 | 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) | 0,002 | 0,001 |
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 ».