Comparison of GLR and Invariant Detectors under Structured Clutter Covariance
Notice bibliographique
Résumé
This paper addresses a target detection problem in radar imaging for which the covariance matrix of unknown Gaussian clutter has block diagonal structure. This block diagonal structure is the consequence of a target lying along a boundary between two statistically independent clutter regions. Here we design adaptive detection algorithms using both the generalized likelihood ratio (GLR) and the invariance principles. There has been considerable recent interest in applying invariant hypothesis testing as an alternative to the GLR test. This interest has been motivated by several attractive properties of invariant tests including: exact robustness to variation of nuisance parameters and possible nite-sample min-max optimality. However, in our deep-hide target detection problem, there are regimes for which neither the GLR nor the invariant tests uniformly outperforms the other. We will discuss the relative advantages of GLR and invariance procedures in the context of this radar imaging and target detection application. This work was supported in part by the Air Force Oce of Scientic Research under MURI grant: F49620-970028. Part of this work appeared in \\Adaptive target detection across a clutter boundary: GLR and maximally invariant detectors," in Proc. IEEE Intl. Conf. Image Processing, Vancouver, Canada, Sep. 2000. The authors are with the Department of Electrical Engineering and Computer Science, University of Michigan, Ann Arbor, MI 48109-2122 (Email: fkimhs,herog@eecs.umich.edu). 2 IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. XX, NO. Y, MONTH YEAR I.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».