Multiview Visual and Topological Features Coordination Aggregation Framework for SAR Target Recognition
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
Due to the extensive information in multi-view images, multi-view synthetic aperture radar (SAR) automatic target recognition (ATR) has attracted much attention. However, most current algorithms ignore the integration of multi-view topological features intrinsically related to the characteristics of SAR images. Moreover, as well as not thoroughly exploring the inherent coupling relationship, the multi-view feature fusion modules in these algorithms are also prone to cause the serve parameter burden and insufficient generality of the entire ATR model. To tackle these issues, an ATR model called multi-view visual and topological feature coordination aggregation (MVT-CA) is proposed. First, two parallel feature extraction modules are employed to extract multi-view visual and topological features independently. Specifically, the topological feature extraction module (TFM) based on a hypergraph neural network is designed to extract the implicit topological features by aggregating the context refinement features of key points within the SAR images. Subsequently, a parameterfriendly feature coordination aggregation module (FCAM) with visual and topological consistency is introduced, which effectively integrates multi-view features to generate a unified representation for classification while enhancing the generality of the entire ATR model. Experimental results on the Moving and Stationary Target Recognition (MSTAR) and the Full Aspect Stationary TargetsVehicle (FAST-Vehicle) datasets verify the effectiveness of our MVTCA model, even in scenarios involving severe background noise and target deformation
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 | 0,000 |
| 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 découle