Ocean Surveillance with Polarimetric SAR
Bibliographic record
Abstract
Une mission clé du ministère de la Défense nationale consiste à assurer la surveillance des eaux canadiennes. Pendant très longtemps, cette tâche a été accomplie grâce à un agencement de vols de patrouille du CP-140 et de rapports de navires de guerre. Récemment, on a prospecté l'utilisation de satellites commerciaux tels que RADARSAT-1 pour la détection de navires. Les futurs satellites commerciaux tels que ENVISAT et RADARSAT-2 auront des modes à polarisation double et à polarisation quadruple. L'exploitation polarimétrique des données SAR permet éventuellement d'obtenir de l'information sur la structure d'une cible. On s'attend à ce que cette information améliore les capacités de détection d'images SAR de navires. Le présent document fait rapport des résultats de plusieurs techniques polarimétriques appliquées à la détection de navires. On a également effectué une étude approfondie de la détectabilité relative des navires dans le cas des canaux à polarisation orthogonale et des canaux copolaires. Les résultats obtenus des méthodes entièrement polarimétriques, comparés à ceux des canaux simples indiquent une meilleure capacité de détection de navires. Comme les résultats présentés ici le montrent, une méthode fournit des renseignements structuraux qui conviennent à la classification. Les cas où des signaux saturés affaiblissent la détection polarimétrique sont analysés.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".