A Robust Small Target Recognition Algorithm in Complex Backgrounds Based on Multichannel Image Fusion and Self-Supervised Learning
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
Small target recognition in complex backgrounds presents significant challenges in fields such as intelligent security, remote sensing, and medical image diagnostics.Diverse textures, strong noise, and varying illumination conditions in complex scenes often lead to blurred features and low contrast for small targets.Traditional recognition algorithms struggle to effectively extract key features under these conditions, resulting in insufficient accuracy and robustness.Existing multichannel image fusion methods-such as weighted averaging or wavelet transforms-either ignore the correlation of feature spaces and semantic information or rely on specific parameters with high computational complexity, limiting their ability to highlight fine target details.Meanwhile, supervised learning-based recognition approaches heavily depend on large amounts of labeled data and exhibit poor generalization in unfamiliar complex environments.To address these issues, this paper proposes a robust recognition algorithm based on multichannel image fusion and selfsupervised learning.The main contributions include: (1) the design of a multichannel image fusion method tailored for small targets, which enhances target-background contrast by leveraging the complementary characteristics of different imaging channels; and (2) the development of a self-supervised learning framework that automatically learns generalizable feature representations from unlabeled data, reducing the reliance on manual annotations and improving model generalization.This research overcomes the limitations of traditional methods regarding label dependency and adaptability to complex backgrounds, offering a novel technical approach for small target recognition.Theoretically, it enriches the fields of computer vision and pattern recognition; practically, it contributes to enhancing the intelligence level of relevant application domains.
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 | 0,001 | 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