Iniciar sesión
Registrarse
Restablecer contraseña
Publicar y Distribuir
Soluciones de Publicación
Soluciones de Distribución
Temas
Arquitectura y diseño
Artes
Ciencias Sociales
Ciencias de la Información y Bibliotecas, Estudios del Libro
Ciencias de la vida
Ciencias de los materiales
Deporte y tiempo libre
Estudios clásicos y del Cercano Oriente antiguo
Estudios culturales
Estudios judíos
Farmacia
Filosofía
Física
Geociencias
Historia
Informática
Ingeniería
Interés general
Ley
Lingüística y semiótica
Literatura
Matemáticas
Medicina
Música
Negocios y Economía
Química
Química industrial
Teología y religión
Publicaciones
Revistas
Libros
Actas
Editoriales
Blog
Contacto
Buscar
EUR
USD
GBP
Español
English
Deutsch
Polski
Español
Français
Italiano
Carrito
Home
Revistas
Polish Maritime Research
Volumen 31 (2024): Edición 1 (March 2024)
Acceso abierto
Automatic Classification of Unexploded Ordnance (UXO) Based on Deep Learning Neural Networks (DLNNS)
Norbert Sigiel
Norbert Sigiel
,
Marcin Chodnicki
Marcin Chodnicki
,
Paweł Socik
Paweł Socik
y
Rafał Kot
Rafał Kot
| 29 mar 2024
Polish Maritime Research
Volumen 31 (2024): Edición 1 (March 2024)
Acerca de este artículo
Artículo anterior
Artículo siguiente
Resumen
Referencias
Autores
Artículos en este número
Vista previa
PDF
Cite
Compartir
Publicado en línea:
29 mar 2024
Páginas:
77 - 84
DOI:
https://doi.org/10.2478/pomr-2024-0008
Palabras clave
Deep Learning Neural Network (DLNN)
,
mine detection and classification
,
sonar imagery
,
Mine Countermeasure (MCM)
,
Automatic Target Recognition (ATR
© 2024 Norbert Sigiel et al., published by Sciendo
This work is licensed under the Creative Commons Attribution 4.0 International License.
Norbert Sigiel
Polish Naval Academy Faculty of Navigation and Naval Weapons
Poland
Marcin Chodnicki
Air Force Institute of Technology, Aircraft Composite Structures Division,
Poland
Paweł Socik
Polish Naval Academy Faculty of Mechanical and Electrical Engineering
Poland
Rafał Kot
Polish Naval Academy Faculty of Mechanical and Electrical Engineering
Poland