2020
DOI: 10.1016/j.measurement.2020.107770
|View full text |Cite
|
Sign up to set email alerts
|

GPR B scan image analysis with deep learning methods

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
1
1
1
1

Citation Types

0
33
0
4

Year Published

2020
2020
2024
2024

Publication Types

Select...
8
1

Relationship

0
9

Authors

Journals

citations
Cited by 60 publications
(37 citation statements)
references
References 27 publications
0
33
0
4
Order By: Relevance
“…In the first step, we have considered the buried object detection as a sparse problem, that is, there is no target in most of positions to be scanned. Given that B‐scans indicate a flat pattern for ground clutter, while buried objects reveal curve‐like patterns [43], it seems that a CFAR method with sliding window, moving along the ground clutter, would effectively work. Assuming that the signal model is an additive clutter with Gaussian distribution [36], the signal model is considered as follows: X=Xt+Xc where Xc and Xt are the reflected signal from clutter and target, respectively.…”
Section: Clutter Cancellationmentioning
confidence: 99%
“…In the first step, we have considered the buried object detection as a sparse problem, that is, there is no target in most of positions to be scanned. Given that B‐scans indicate a flat pattern for ground clutter, while buried objects reveal curve‐like patterns [43], it seems that a CFAR method with sliding window, moving along the ground clutter, would effectively work. Assuming that the signal model is an additive clutter with Gaussian distribution [36], the signal model is considered as follows: X=Xt+Xc where Xc and Xt are the reflected signal from clutter and target, respectively.…”
Section: Clutter Cancellationmentioning
confidence: 99%
“…Böylece, oluşturulan model, bilinmeyen örneklerin etiketini tahmin etmek için kullanılır [20]. Öksürük seslerinin sınıflandırılmasında Lojistik regresyon (LR), destek vektör makineleri (DVM), çok katmanlı algılayıcılar, evrişimli sinir ağları, uzun kısa süreli bellek (LSTM) ve artık tabanlı sinir ağı mimarisi [21], gibi makine ve derin öğrenme yöntemlerine dayalı birçok sınıflandırıcı kullanılmıştır. Bu çalışmada, AdaBoost-Ensemble, radyal tabanlı çekirdek fonksiyonlu DVM (RTF-DVM), Polinomiyal çekirdek fonksiyonlu DVM (Polinomiyal-DVM) ve Karar ağacı sınıflandırıcıları, öksürük ve hapşırma seslerini diğer seslerden ayrıt etmek için kullanıldı.…”
Section: Sınıflandırıcılarunclassified
“…Metin sınıflandırma alanının bir alt dalı olan metinlerde duygu analizi konusunda yaptıkları çalışmada, İngilizce Twitter mesajlarını (tweet), olumlu (positive), tarafsız (neutral) ya da olumsuz (negative) olmak üzere3 adet sınıf ile sınıflandırmaya çalışmışlardır. Öznitelik vektörü oluşturulurken 1-gram (unigram), 2-gram (bigram) ve POS öznitelik temsili yöntemleri kullanılırken, sınıflandırıcı olarak NaiveBayes, Maksimum Entropi ve Destek Vektör Makineleri kullanılmıştır [4].…”
Section: Materyal Ve Metotunclassified
“…Terim ağırlıklandırma bir terimin döküman içerisinde ne kadar önemli olduğunu belirtmek amacıyla oluşturulan terim vektöründe her bir terim için ağırlık belirleme işlemidir [4]. Literatürde terim ağırlıklandırma ile ilgili çalışmalar mevcuttur.…”
Section: Deneysel Süreçunclassified