S2G-GCN: A Plot Classification Network Integrating Spectrum-to-Graph Modeling and Graph Convolutional Network for Compact HFSWR
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
Plot classification refers to the identification of true target plots among initial detections, and it is crucial for target tracking with compact high-frequency surface wave radar (HFSWR) systems. However, due to the limited spatial resolution and low signal to interference plus noise ratio (SINR) inherent in compact HFSWR systems, traditional classification methods often fail to distinguish true targets from false alarms. Targets, clutter, and noise exhibit different morphological and statistical features in the range-Doppler (R-D) spectrum, and their differences in spatial distribution of echo energy can be described by modeling each detected plot and its surrounding cells as a graph. Based on the above consideration, a novel plot classification network integrating spectrum-to-graph modeling and graph convolutional network (S2G-GCN) is proposed. Firstly, the constant false alarm rate detection algorithm is applied to R-D spectra to obtain potential target plots. For each plot, an echo energy diffusion region is built to include several resolution cells around its spectral peak. Then, these cells are modeled as a graph, where each node corresponds to a cell, and edges are defined using the spatial proximity and energy similarity between neighboring nodes. Finally, a graph convolutional network (GCN)-based classifier is employed to learn discriminative features from the constructed graph and classify each detected plot into one of four classes: true target, sea clutter, ground clutter, or noise. Experimental results demonstrate that the proposed S2G-GCN outperforms three baseline methods, achieving a plot classification accuracy of 93.68%.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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