MétaCan
Menu
Retour à la cohorte
Enregistrement W4416286235 · doi:10.1109/trs.2025.3633309

From Dual to Qual: A Feature-Analysis-Oriented Interpretable Polarization Feature Generative Mapping Model for SAR Oil Spill Detection

2025· article· W4416286235 sur OpenAlexaff
Lingxiao Cheng, Ying Li, Bingxin Liu, Yuanheng Sun, Weimin Huang

Notice bibliographique

RevueIEEE Transactions on Radar Systems · 2025
Typearticle
Langue
DomaineEnvironmental Science
ThématiqueOil Spill Detection and Mitigation
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesNational Key Research and Development Program of ChinaNational Natural Science Foundation of China
Mots-clésOil spillSynthetic aperture radarFeature (linguistics)Feature extractionSegmentationGenerative grammarPattern recognition (psychology)Feature selectionPolarimetry

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,243
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Radar SystemsMême sujetOil Spill Detection and MitigationTravaux en français237 207