Two-Stage Target Detection for Compact HFSWR With Space-to-Depth YOLOv8 and Multiframe ViT
Notice bibliographique
Résumé
Accurate and reliable target detection is a crucial requirement of high-frequency surface wave radar for effective maritime surveillance. However, existing methods based on single-frame radar images primarily focus on static target features, limiting their ability to capture dynamic ship behaviors across multiple frames. In this study, a two-stage multiframe target detection framework (MFTDF) is proposed to address this issue in ship-target detection from range-Doppler (RD) images. The framework consists of two stages: a space-to-depth YOLOv8 network in Stage-1 and a multiframe vision transformer network in Stage-2. First, Stage-1 aims to extract regions of interest (ROI) from the current and several preceding RD images. Thereafter, target association and pattern selection are applied to collect multiframe image patch sequences for each ROI result. Finally, Stage-2 focuses on further discriminating the input image patches to obtain refined target detection results. Moreover, the dataset for training and validating the two-stage network is automatically generated based on the automatic identification system ship data and constant false alarm rate detection results to identify all true and visible targets, ensuring the dataset's credibility. Experiments using the measured data show that the proposed MFTDF achieves a considerably improved precision rate while maintaining an average improvement of 12.3% in the recall rate. These results confirm that MFTDF delivers superior detection accuracy and efficiency, offering a robust solution for maritime target detection in complex scenarios.
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 | 0,000 | 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 ».