From Dual to Qual: A Feature-Analysis-Oriented Interpretable Polarization Feature Generative Mapping Model for SAR Oil Spill Detection
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
Oil spills can cause serious pollution to the marine environment. Synthetic aperture radar (SAR), as an all-day-all-weather active microwave sensor, can provide a powerful solution for oil spill detection. However, due to the limitations of system characteristics, data-information imbalance problem exists in research based on polarimetric SAR. To address the above problems, a polarization feature generative mapping model (PF-GMM) for oil spill detection tasks is proposed in this paper. PF-GMM maps dual-polarization features (DPFs) to qual-polarization features (QPFs) through a generative adversarial approach. To select DPFs that can cover qual-polarization information, an Interpretable Analysis Module (IAM) was designed. IAM analyzed the feature contribution and the interaction between DPFs and QPFs to reveal the significance of each DPF in model optimization and physical level, so as to achieve the optimal selection of DPFs. Based on the selected domain feature group (DFG), a Dual-Pol-SAR Oil Spill Dataset (DPSOS) was constructed to evaluate the performance of the selected features and make up for the lack of SAR oil spill detection dataset. Experimental results show that DFG can effectively achieve oil spill segmentation in different scenarios, and to a certain extent achieves oil spill detection performance similar to that of QPFs. PF-GMM simultaneously ensures the superiority of the selected features in engineering applications and physical meanings. Its results can cover qual-polarization information to the greatest extent, make up for the defects and deficiencies of dual-polarization data, and have strong engineering guidance value.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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