SMD-Net (Shape-Aware Multi-Scale Detection Network) — контрасты төмөн, чек аралары бүдөмүк, буталарынын формасы иретсиз, объекттери тыгыз топтолгон, жарым-жартылай жабылган жана майда буталары бар суу алдындагы сүрөттөрдө объекттерди аныктоону күчөтүү үчүн YOLOv11s негизинде иштелип чыккан, форманы эске алган көп масштабдуу объект аныктоо тармагы. Модель форма жана семантикалык маалыматты күчөткөн Shape-aware Feature Extraction Module (SFEM), жогорку жана төмөнкү деңгээлдеги белгилерди баскычтуу бириктирген Progressive Multi-scale Fusion Module (PMFM), 160×160 чечилишиндеги кошумча High-Resolution Detection Branch (HRDB), бутанын көрүнгөн аймактарын баса белгилеген SEAM негизиндеги аныктоо баштары жана алкак чек араларынын дал келишин түз жазалаган PIoU жоготуусун бир архитектурага бириктирет. SMD-Net DUO маалымат топтомунда %67.2 AP, %85.4 AP50 жана %75.0 AP75; URPC2020 да %42.4 AP; Trash-ICRA19 жалпылоо тажрыйбасында %78.3 AP алган. Модель 10.68 миллион параметр, 30.8 GFLOPs жана булактын тажрыйба платформасында 156 FPS менен тактык–эсептөө тең салмагы жагынан күчтүү натыйжа берген.

Изилдөөнүн эң күчтүү натыйжасы жалпы AP өсүшү гана эмес. DUO абляцияларында толук SMD-Net YOLOv11s базалык моделинин AP маанисин %65.6 дан %67.2 ге, AP75 маанисин %73.0 дан %75.0 ге жана майда буталардын AP син %43.9 дан %48.9 га көтөргөн. Бирок бардык аралык модуль айкалыштарында көрсөткүчтөр монотондуу өспөйт; айрым айкалыштарда чакан төмөндөөлөр бар. Мындан тышкары, URPC2020 да SMD-Net жалпы AP жана майда буталардын AP си боюнча эң жакшы болсо да AP50, AP75, орто жана чоң буталардын AP си боюнча бардык салыштыруулардан ашпайт. Демек, булак моделдин ар бир топтомдо жана ар бир көрсөткүчтө абсолюттук артыкчылыгын эмес, өзгөчө жалпы тактык, майда буталарды аныктоо жана айрым катуу локалдаштыруу шарттарында күчтүү тең салмак берерин колдойт.

Бул натыйжалар жалпыга ачык үч маалымат топтомунда жүргүзүлгөн офлайн компьютердик көрүү тажрыйбаларына негизделет. Изилдөө чыныгы автономдуу суу алдындагы аппаратта узак мөөнөттүү талаа колдонулушун, ар башка камера/жабдык чынжырларындагы кечигүү анализин же суу астында реалдуу убакыттагы энергия керектөө өлчөөсүн билдирбейт. Ошондуктан 156 FPS натыйжасы колдонулган RTX 4090 негизиндеги тажрыйба платформасында моделдин тыянак чыгаруу өлчөөсү; ресурсу чектелүү чыныгы AUV компьютеринде ошол ылдамдык алынарын далилдебейт.

Суу алдындагы объекттерди аныктоо эмне үчүн кыйын?

Суу алдында сүрөт алуу абадагыдан айырмаланып, жарыктын толкун узундугуна жараша жутулушунан жана көп жолу чачырашынан күчтүү физикалык бузулууларга дуушар болот. Бул таасирлер спектрдик энергияны өзгөртөт, контрастты азайтат жана объект чек араларын бүдөмүктөтөт. Ага деңиз жандыктарынын таш, кум жана өсүмдүктөр арасында жарым-жартылай жабылышы, көп майда бутанын жакын жайгашуусу жана буталардын иретсиз геометриясы кошулуп, объект аныктоонун классификация жагын да, алкак регрессиясын да кыйындатат.

Булактын 1-сүрөтүндө бүдөмүк, кабатташкан жана топтолгон суу алдындагы буталардын мисалдары көрсөтүлгөн. Ошол сүрөттө DUO топтомундагы майда жана орто масштабдуу буталар бардык буталардын болжол менен %92 бөлүгүн түзөрү айтылат. Мындай таралышта стандарттуу детектордун удаалаш төмөн үлгүлөө амалдары ансыз да аз пиксел менен берилген майда буталардын кыр жана текстура маалыматын дагы азайтышы мүмкүн.

SMD-Net деген эмне жана кайсы көйгөйдү чечүү үчүн түзүлгөн?

SMD-Net — YOLOv11s негизиндеги, формасы иретсиз, майда, контрасты төмөн же жарым-жартылай жабылган суу алдындагы объекттерди аныктоону жакшыртууга багытталган көп масштабдуу тармак. Модель бир жакшыртууга гана таянбайт; SFEM менен форманы эске алган белги чыгарууну, PMFM менен жогорку жана төмөн чечилиштеги белгилердин эки багыттуу биригишин, HRDB менен 160×160 жогорку чечилиштеги божомолду, SEAM менен бутанын көрүнгөн аймактарын баса белгилөөнү жана PIoU менен чек араны эске алган алкак регрессиясын бирге колдонот.

Жалпы архитектура

Булактын 2-сүрөтүндө SMD-Net үч негизги баскычта берилген: негизги тармакта иерархиялык белги чыгаруу, PMFM аркылуу көп масштабдуу белгилерди бириктирүү жана төрт башка масштабда аныктоо. SFEM негизги тармактын жогорку деңгээлдүү бөлүгүндө жайгашат. Бул модуль DySnake, SPPF жана Tanhformer компоненттерин колдонот. Андан кийин көп деңгээлдүү белгилер PMFM ге берилет. PMFM жогорудан төмөн жана төмөндөн жогору жолдор менен белгилерди кайра түзүп, бириктирет. Акырында төрт масштабдагы белги карталары SEAM камтыган аныктоо баштарына жөнөтүлөт.

SFEM: форманы эске алган белги чыгаруу

Shape-aware Feature Extraction Module (SFEM), өзгөчө деңиз бадыраңы сыяктуу узун жана ийри объекттерди, деңиз жылдызы сыяктуу бутакталган контурларды туруктуу чарчы үлгүлөө тартибине мажбурлабастан көрсөтүүнү көздөйт. Булактын 3-сүрөтү стандарттуу, кеңейтилген, деформациялануучу конволюция жана DySnake үлгүлөө тартиптерин салыштырат.

DySnake стандарттуу конволюциядан эмне үчүн айырмаланат?

DySnake конволюциясы үлгүлөө чекиттерин көз карандысыз үйрөнүлүүчү жылыштар менен гана жылдыруунун ордуна өзөктүн борборунан сыртка карай баскычтуу топтолгон үлгүлөө стратегиясын колдонот; бул чекиттер ийри же узун бутанын геометриясын ээрчигенде жергиликтүү үзгүлтүксүздүктү сактоого багытталган. Стандарттуу конволюцияда иреттүү тор туруктуу, кеңейтилген конволюцияда тор аралыктары чоңойсо да геометрия иреттүү калат, деформациялануучу конволюцияда чекиттер эркин кыймылдайт; DySnake болсо формага шайкештикти жана геометриялык үзгүлтүксүздүктү бирге сактоону көздөйт.

Булак бул тандоонун негизги себеби катары DUO жана URPC2020 буталарынын геометриялык иретсиздигин көрсөтөт. SFEM абляциясында DySnakeConv колдонулган толук модель DUO да %67.2 AP, %85.4 AP50 жана %75.0 AP75 алган. Бирок Star Conv майда буталардын AP си боюнча бир аз жогору болгон: %48.9 га каршы %49.0. Демек, DySnakeConv артыкчылыгы өзгөчө жалпы көрсөткүчтөрдүн тең салмагында жана катуу локалдаштыруу критерийлеринде.

DynamicTanh жана Tanhformer

DySnake жана SPPF тен кийин жогорку деңгээлдүү белгилердин канал жооптору тең салмаксыз калышы мүмкүн болгондуктан Tanhformer ичинде DynamicTanh (DYT) колдонулат. Булактын биринчи теңдемеси:

\[ \hat{x}_{c,h,w}=\omega_c \cdot \tanh(\alpha x_{c,h,w})+\beta_c \tag{1} \]

түрүндө. Мында \(x_{c,h,w}\) — \(c\) каналындагы жана \((h,w)\) ордундагы кириш белгиси; \(\alpha\) — жалпы үйрөнүлүүчү масштаб параметри; \(\omega_c\) — канал боюнча үйрөнүлүүчү масштаб коэффициенти; \(\beta_c\) — канал боюнча жылыш мүчөсү. Белгинин жообу кичине болсо, tanh өзгөртүүсү болжол менен сызыктуу иштеп, семантикалык маалыматты негизинен сактайт. Өтө чоң жооптордо каныгууга жакындап, ашыкча активдешүүлөрдү жана фон ызы-чуусун кысат.

DynamicTanh DynAttn-Block (DAB) ичинде өзүнө көңүл буруу жана алдыга берүү бутагынын экөөнүн тең алдына жайгаштырылат:

\[ X_d=X+\operatorname{Attn}(\operatorname{DYT}_1(X)) \tag{2} \]

\[ Y=X_d+\operatorname{FFN}(\operatorname{DYT}_2(X_d)) \tag{3} \]

Калдык байланыштуу бул түзүлүш белгилерди көңүл буруу жана FFN өзгөртүүлөрүнө чейин кайра масштабдап, өтө күчтүү канал жоопторунун үстөм болушун азайтууну көздөйт.

PMFM: эки багыттуу, баскычтуу көп масштабдуу бириктирүү

Progressive Multi-scale Fusion Module (PMFM) жогорку деңгээлдүү семантикалык белгилер менен төмөнкү деңгээлдүү кыр жана текстура деталдары бири-бирин толукташы үчүн эки багыттуу жолду колдонот. Жогорудан төмөн жол Reconstruction and Communication Module (RCM), конкатенация жана C3K2 блокторунан; төмөндөн жогору жол Conv, Modulation Fusion Module (MFM) жана DySnake амалдарынан турат. Чыгышта төрт масштабда бириккен белги карталары түзүлөт.

PMFM суу алдындагы майда буталардын деталдарын кантип сактайт?

PMFM жогорку деңгээлдеги төмөн чечилиштүү белгилерди гана жогору үлгүлөөнүн ордуна RCM менен мейкиндик түзүлүшүн кайра түзөт, канал жылыштары аркылуу багыттуу коңшулук маалыматын кошот жана MFM менен жогорку деңгээлдүү семантика менен төмөнкү деңгээлдүү деталдын салымын ыңгайлашма салмактайт. Ошентип, кайталанган төмөн үлгүлөөдө майда буталардын чек ара жана текстура маалыматынын жоголушун азайтып, жогорку деңгээлдеги класстык маалыматты чечилиши жогору катмарларга жеткирет.

RCM: кайра түзүү жана багыттуу байланыш

RCM де кириш белгиси адегенде эки эсе жогору үлгүлөнүп, канал боюнча конволюция колдонулат:

\[ X_{in}=\operatorname{DWConv}(\operatorname{Up}(X_r)) \tag{4} \]

Андан кийин белги картасы канал огу боюнча төрт топко бөлүнөт:

\[ [X_1,X_2,X_3,X_4]=\operatorname{Split}(X_{in}) \tag{5} \]

Бул топторго бийиктик жана туурасы боюнча оң жана терс циклдик жылыштар колдонулат:

\[ \tilde{X}_1=\mathcal{R}^{+s}_{h}(X_1), \qquad \tilde{X}_2=\mathcal{R}^{-s}_{h}(X_2) \tag{6} \]

\[ \tilde{X}_3=\mathcal{R}^{+s}_{w}(X_3), \qquad \tilde{X}_4=\mathcal{R}^{-s}_{w}(X_4) \tag{7} \]

Мында \(h\) жана \(w\) мейкиндик өлчөмдөрүн, \(s\) жылыш көлөмүн билдирет. Акырында төрт багыттуу топ бириктирилип, 1×1 конволюция менен кошулат:

\[ Y_r=\operatorname{Conv}_{1\times1} \left( \operatorname{Cat} (\tilde X_1,\tilde X_2,\tilde X_3,\tilde X_4) \right) \tag{8} \]

RCM дин илимий ролу — жогору үлгүлөөдөн кийин пиксел тыгыздыгын гана көбөйтпөстөн, бутанын чек арасы жана жергиликтүү багыттуу түзүлүшү тууралуу кошумча өз ара аракет түзүү.

MFM: жогорку деңгээлдүү семантика менен төмөнкү деңгээлдүү деталдарды ыңгайлашма тең салмактоо

MFM адегенде эки белги бутагын кошот:

\[ U=\tilde F_{high}+\tilde F_{low} \tag{9} \]

Андан кийин жалпы орточо пулдаштыруу, MLP жана Softmax аркылуу эки бутак үчүн салыштырма салмактар түзүлөт:

\[ [\alpha_{high},\alpha_{low}] = \operatorname{Softmax} \left( \operatorname{MLP}(\operatorname{GAP}(U)) \right) \tag{10} \]

Эки бутак ушул салмактар менен кайра масштабдалат:

\[ \hat F_{high}=\alpha_{high}\odot\tilde F_{high} \tag{11} \]

\[ \hat F_{low}=\alpha_{low}\odot\tilde F_{low} \tag{12} \]

жана кайра бириктирилет:

\[ V=\hat F_{high}+\hat F_{low} \tag{13} \]

Акыркы чыгыш:

\[ Y_m= \operatorname{Conv} \left( \operatorname{Cat}(V,\tilde F_{low}) \right) \tag{14} \]

деп аныкталат. Булак текстинде бул бөлүмчөнүн кириш сүйлөмүндө эки кириш белгиси жаңылыш эки жолу \(\tilde F_{high}\) деп жазылган; бирок Eq. (9)-(14), 6-сүрөт жана түшүндүрмөнүн калган бөлүгү эки бутак \(\tilde F_{high}\) жана \(\tilde F_{low}\) экенин так көрсөтөт. Бул редакциялык дал келбестик бул жерде жашырылган эмес.

HRDB: 160×160 жогорку чечилиштеги аныктоо бутагы

Стандарттуу үч масштабдуу божомол түзүлүшүндө 640×640 кириш үчүн эң жогорку чечилиштүү белги картасы 80×80, кадамы 8. SMD-Net буга 160×160 белги картасында иштеген кошумча High-Resolution Detection Branch кошот. Ошентип эң кичине кадам 8 ден 4 кө түшөт. Максат — майда жана жарым-жартылай жабылган буталардын чек араларын, текстурасын жана көрүнгөн жергиликтүү түзүлүшүн божомол баскычына чейин жогорку мейкиндик чечилишинде жеткирүү.

SEAM: бутанын көрүнгөн маалыматын күчөтүү

Жарым-жартылай жабылганда тармак көбүнчө бутанын баарын эмес, бир нече кырын, текстурасын же жергиликтүү геометриялык бөлүгүн гана көрөт. Ошондуктан SMD-Net регрессия жана классификация бутактарында SEAM колдонот. Алгач жергиликтүү түзүлүш:

\[ Z=\operatorname{DCovN}(X_s) \tag{15} \]

аркылуу чыгарылат. Андан соң канал салмагы:

\[ a= \sigma \left( W_2\, \delta \left( W_1\operatorname{GAP}(Z) \right) \right) \tag{16} \]

катары эсептелип, кириш белгилери:

\[ Y_s=X_s\odot\exp(a) \tag{17} \]

менен кайра салмакталат. \(\delta\) ReLU ну, \(\sigma\) Sigmoid ди, \(\odot\) болсо канал боюнча көбөйтүүнү билдирет.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Маалымат топтомдору

Окутуу платформасы жана гиперпараметрлер

Баалоо метрикалары

Изилдөө COCO критерийлерин колдонот. AP — IoU=0.50 менен 0.95 арасындагы босоголордо 0.05 кадам менен эсептелген Average Precision маанилеринин орточосу. AP50 жана AP75 тиешелүүлүгүнө жараша IoU 0.50 жана 0.75 теги AP ни көрсөтөт; AP75 алкакты такыраак жайгаштырууну талап кылат. AP_S, AP_M жана AP_L тиешелүүлүгүнө жараша майда, орто жана чоң объекттердеги көрсөткүчтөрдү өлчөйт. Эсептөө чыгымы үчүн параметр саны, FLOPs жана FPS өзүнчө да билдирилген.

DUO жыйынтыктары

SMD-Net тин DUO догу артыкчылыгы жалпы AP, AP50, AP75 жана орто буталардагы көрсөткүчтөрдө даана. Бирок булак таблицасы модель ар бир масштабда биринчи эмес экенин ачык көрсөтөт. Майда буталардын AP синде AMSP-UOD %49.0 менен SMD-Net тин %48.9 маанисинен бир аз ашат, чоң буталарда DCM-YOLO %66.4 менен SMD-Net тин %66.0 маанисинен жогору.

URPC2020 жыйынтыктары

URPC2020 натыйжасында маанилүү нюанс бар: SMD-Net жалпы AP жана майда буталардын AP си боюнча эң жакшы натыйжа алат; бирок AP50, AP75 жана чоң бута критерийлеринде бардык атаандаштардан ашпайт. Демек, бул топтомдо моделдин артыкчылыгы өзгөчө жалпы тең салмак жана майда буталарды аныктоо болуп саналат.

Trash-ICRA19 жалпылоо жыйынтыктары

Бул тажрыйба ошол эле моделди класстык курамы башка суу алдындагы маалымат топтомунда баалап, топтомдор аралык жалпылоо үчүн далил берет. Бирок бул натыйжа таптакыр көрүлбөгөн сенсорлордо, башка деңиздерде, башка жарык системаларында же реалдуу убакыттагы AUV операцияларында жалпыга бирдей жалпылоону билдирбейт.

Сапаттык аныктоо жана Grad-CAM++ жыйынтыктары

Булактын 10-13-сүрөттөрүндө тыгыз бута топтору, бүдөмүк чек аралар, майда объекттер жана күчтүү жарым-жартылай жабылуу сыяктуу тандалган татаал мисалдарда ар башка детекторлордун натыйжалары салыштырылат. Авторлордун анализи боюнча SMD-Net бул мисалдарда өткөрүп жиберилген буталардын жана жалган оң натыйжалардын санын азайтып, өзгөчө бир бөлүгү гана көрүнгөн буталарды туруктуураак аныктайт.

14-сүрөттөгү Grad-CAM++ визуалдаштыруулары YOLOv11s ке караганда SMD-Net жогорку жооп аймактарын чыныгы бутанын айланасында тыгызыраак сактап, айрым татаал фон аймактарындагы активдешүүнү азайтарын көрсөтөт. Бул сүрөттөр механизмди колдогон сапаттык далил; тандалган мисалдар болгондуктан өз алдынча жалпы натыйжалуулуктун статистикалык далили эмес. Сандык натыйжалардын негизги далили — AP таблицалары.

Негизги модулдардын абляциясы

Толук модель базалык моделге салыштырмалуу AP де 1.6, AP50 дө 1.4, AP75 те 2.0 жана AP_S те 5.0 пайыздык пункт өсүш берген. Бирок компонент салымдары толук кошулма эмес. Мисалы, SFEM гана жана PMFM гана ар бири 66.3 AP берсе, экөө бирге 66.2 AP ге түшөт. SEAM кошулганда AP өсөт, бирок AP75 74.9 дан 74.8 ге жана AP_S 46.7 ден 46.6 га бир аз төмөндөйт. Булактын авторлору муну биргелешкен оптималдаштыруудагы белгилердин өз ара таасири жана ыңгайлашуусу менен түшүндүрүшөт.

PIoU бул изилдөөдө эмне үчүн колдонулган?

PIoU — божомол алкагынын борборун же жалпы IoU маанисин гана эмес, сол, оң, үстүнкү жана астыңкы чек араларынын чыныгы алкакка дал келүү катасын түз эсепке алган алкак регрессиясынын критерийи. Суу астында бутанын чек аралары бүдөмүк, буталар жабылган же өтө жакын болгон көрүнүштөрдө божомол алкагы борборду туура тапса да чек аралары фонду ашыкча камтышы мүмкүн; PIoU бул чек аралык четтөөлөрдү нормалдап, такыраак локалдаштырууга түрткү берүүнү көздөйт.

Булакта чек аралык четтөө мүчөсү:

\[ P= \frac{1}{4} \left( \frac{d_{w1}+d_{w2}}{w_{gt}} + \frac{d_{h1}+d_{h2}}{h_{gt}} \right) \tag{18} \]

деп аныкталат. \(d_{w1}\) жана \(d_{w2}\) сол-оң чек ара четтөөлөрүн, \(d_{h1}\) жана \(d_{h2}\) үстү-асты чек ара четтөөлөрүн; \(w_{gt}\) жана \(h_{gt}\) чыныгы алкактын туурасын жана бийиктигин билдирет. Ошентип чек ара катасы объекттин өз масштабына карата нормалдашат.

PIoU:

\[ PIoU=IoU+\exp(-P^2)-1 \tag{19} \]

түрүндө аныкталган. Божомол алкагы чыныгы чек араларга жакындаганда \(P\) кичирейип, \(\exp(-P^2)\) 1 ге жакындайт; ошондуктан PIoU мааниси өсөт. Чек ара дал келбестиги чоңойгон сайын кошумча мүчө кичирейет.

Таблица PIoU AP, AP50, AP75 жана AP_L де эң жакшы натыйжа берерин көрсөтөт. Бирок булак текстинде PIoU майда буталарда артык деп айтылганы менен SIoU нун AP_S мааниси 49.3 болуп, PIoU нун 48.9 маанисинен жогору; SIoU ошондой эле AP_M де 69.2 менен PIoU нун 68.8 маанисинен ашат. Демек, таблицага таянган туура чечмелөө — PIoU өзгөчө жалпы AP жана катуу локалдаштыруу AP75 жагынан күчтүүрөөк.

Эсептөө татаалдыгы

Булакта SMD-Net 10.68 миллион параметр, 30.8 GFLOPs жана 156 FPS менен билдирилген. DUO салыштыруусунда YOLOv8m 25.90 M параметр, 78.9 G FLOPs жана 143 FPS; YOLOv11m 20.03 M параметр, 67.7 G FLOPs жана 144 FPS; DCM-YOLO 12.51 M параметр, 45.9 G FLOPs жана 161 FPS берет. Dynamic-YOLO 8.23 M параметр, 12.5 G FLOPs жана 184 FPS менен SMD-Net тен жеңил жана ылдам, бирок DUO AP си %64.3. Бул натыйжалар SMD-Net абсолюттук эң кичине же эң ылдам модель эмес, тактык менен эсептөө чыгымынын ортосунда күчтүү тең салмак берерин көрсөтөт.

Изилдөө колдогон жана колдобогон тыянактар

Негизги чектөөлөр жана келечектеги иштер

Изилдөө жалпыга ачык үч маалымат топтомуна негизделет жана чыныгы AUV де баштан-аяк талаа сыноосун билдирбейт. Жабдык баалоосу күчтүү үстөлдүк GPU да жасалган. Ар башка суу сапаты, тереңдик, жарыктандыруу, камера оптикасы, кысуу, сенсор ызы-чуусу жана чыныгы аппарат кыймылы бирге бааланган узак мөөнөттүү талаа тажрыйбасы жок. Булакта айрым редакциялык шаблон калдыктары жана чакан текст–таблица дал келбестиктери да бар.

Авторлор келечектеги иштерде ар түрдүү чыныгы суу алдындагы чөйрөлөрдө туруктуулукту жогорулатууну, ресурсу чектелүү платформалар үчүн жеңил жайылтууну изилдөөнү, домендер аралык суу алдындагы кабылдоого кеңейтүүнү жана видео негизиндеги объект аныктоону көздөшөт.

Булак жана Ыкма Жөнүндө Эскертүү

Баштапкы аталыш: SMD-Net: A Shape-Aware Multi-Scale Detection Network for Underwater Object Detection

Авторлор: Qian Fan, Pengfei Zou, Ziyang Qi, Tian Hua, Runhao Chen, Ye Niu.

Жооптуу автор: Qian Fan; PDF те fanqian@yzu.edu.cn дареги берилген.

Мекемелик таандыктык: College of Information Engineering, Yangzhou University, Yangzhou 225009, China; Graduate School of Engineering, Kyushu Institute of Technology, Fukuoka 804-8550, Japan; College of Animal Science and Technology, Yangzhou University, Yangzhou 225009, China.

Булактын түрү: Алдын ала басылма. PDF беттеринде “This preprint research paper has not been peer reviewed” деген сөздөр ачык жазылган.

Платформа: SSRN; булак PDF те https://ssrn.com/abstract=7022170 шилтемеси берилген.

DOI: Жүктөлгөн PDF те DOI жазылган эмес жана жеткиликтүү библиографиялык веб издөөдө өз алдынча ырасталбагандыктан DOI божомолдонгон эмес.

Журнал / том / сан: Булак PDF те белгилүү журнал, том же сан жөнүндө маалымат жок. Беттердин ылдый жагында “Preprint submitted to Elsevier” шаблон сөзү көрүнөт; бул белгилүү Elsevier журналында жарыяланган же кабыл алынган макала дегенди билдирбейт.

Жарыяланган күн: Жүктөлгөн PDF тин көрүнгөн библиографиялык талааларында дата жок; ырасталган дата болбогондуктан кошулган эмес.

Лицензия: PDF те кайра колдонууга ачык лицензия көрсөтүлгөн эмес. Булак сүрөттөрүн так көчүрүүдөн мурун SSRN жана укук ээсинин лицензия шарттары өзүнчө текшерилиши керек.

Маалыматтын жеткиликтүүлүгү: «Маалыматтар суроо-талап боюнча берилет.»

Кызыкчылыктардын кагылышы: Авторлор белгилүү каржылык кызыкчылык кагылышын же изилдөөгө таасир эте турган жеке мамилени билдиришкен эмес.

CRediT эскертүүсү: Булактын CRediT бөлүмүндө чыныгы автор аттарынын ордуна “First Author”, “Second Author”, “Third Author” сыяктуу шаблон орун баскычтары калган. Ошондуктан салым ролдорун белгилүү авторлорго так байланыштыруу ишенимдүү эмес. Булак биринчи автор үчүн концепция түзүү, методология, программалык камсыздоо, изилдөө, формалдуу анализ, маалыматтарды иреттөө, визуалдаштыруу жана алгачкы текст; экинчи–төртүнчү авторлор үчүн текшерүү, ресурстар жана карап чыгуу/түзөтүү; бешинчи–алтынчы авторлор үчүн программалык камсыздоо, текшерүү жана визуалдаштыруу ролдорун жазган.

Булактагы редакциялык/ырааттуулук эскертүүлөрү:

Негизги илимий чектөө: Натыйжалар жалпыга ачык маалымат топтомдоруна жана RTX 4090 негизиндеги лаборатория/иш станциясы баалоосуна таянат. Чыныгы автономдуу суу алдындагы аппаратта талаа колдонулушу, энергия керектөө, камтылган жабдыктын кечигүүсү же узак деңиз операциясы ырасталган эмес.

Сүрөттөрдү кайра чийүү: 2-сүрөттөгү SMD-Net архитектурасы, 3-сүрөттөгү үлгүлөө геометриялары, 5-6-сүрөттөрдөгү RCM/MFM агымы, 9-сүрөттөгү PIoU чек ара геометриясы жана 15-сүрөттөгү AP-FPS байланышы булак маалыматтарына берилген өзгөчө Verianla схемалары/графиктери катары кайра чийилиши мүмкүн.

Verianla Live: DUO жана URPC салыштыруулары, компонент абляциясы, жоготууларды салыштыруу жана AP-FPS тең салмагы үчүн ылайыктуу. Иштөө учурундагы визуалдаштыруу чыныгы таблица маанилерин негизги ишенимдүү булак катары колдонуп, жаңы аралык AP/FPS маанилерин түзбөшү керек.