FilterNet: A CNN-RNN based filter model used for raw tunnel lining GPR data
Notice bibliographique
Résumé
Ground-Penetrating Radar (GPR) technology, with its characteristics of being fast, non-destructive, and high-resolution, has become an important tool for detecting underground structures. However, GPR data inevitably suffer from environmental noise and electromagnetic interference during the acquisition process, leading to decreased data quality and increased complexity in data processing. Traditional filtering algorithms have limitations such as low discrimination between noise and signal, poor adaptability, and inability to process data in real time. This paper proposes a filtering model based on deep neural networks, called FilterNet. FilterNet combines Convolution Neural Networks (CNN) and recurrent neural networks (RNN) for processing multi-channel data. It can perform end-to-end filtering directly on the raw tunnel lining GPR data, achieving functions such as removing air reflection waves, denoising, and automatic gain. Using PSNR (Peak Signal-to-Noise Ratio) and SSIM (Structural Similarity Index) as statistical indicators, it is shown that the FilterNet model improves filtering precision. The SSIM of all three models is 0.997, and the PSNR of FilterNet1D and FilterNet are 19.06 and 19.41, respectively. Furthermore, tests on the model's processing efficiency indicate that FilterNet requires less memory and is more efficient than the UNet model. FilterNet's parameters are only 48 % of those of UNet. Its GFLOPS (Giga Floating Point Operations Per Second) is only one-third of UNet's, and it can process data in real time. Additionally, FilterNet performs exceptionally well in suppressing random noise.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».