Automatic Detection of Ships in RADARSAT-1 SAR Imagery
Bibliographic record
Abstract
NOAA/NESDIS a initié le programme “Alaska SAR Demonstration” dont l'objectif est de faire la démonstration du potentiel des images RSO en bande C de RADARSAT-1 à fournir une information utile et en temps opportun sur l'environnement et pour la gestion des ressources pour des utilisateurs en Alaska. Un des produits développés dans le cadre du programme est une liste de localisations des navires. Cet article décrit l'algorithme développé pour générer ce produit par le biais de la détection automatique des navires basée sur des changements dans les statistiques locales. À l'aide d'images à basse résolution (100 mètres d'espacement), on démontre que l'on peut détecter des navires de dimension supérieure à 35 mètres (représentant 105 navires sur un total de 272 dans la zone test) avec un taux de fausse alerte de 0,01% pour une seule détection. Avec des images à haute résolution (50 mètres d'espacement), on peut détecter des navires d'une dimension supérieure à 32 mètres (représentant 124 navires sur 272) avec un taux de fausse alerte de 0,002% pour une seule détection. L'algorithme est entièrement automatisé et prend environ 10 minutes de temps-machine pour traiter une image ScanSAR en mode B large.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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".