SAlgorithmes bayésiens pour le démélange supervisé, semi-supervisé et non-supervisé d’images hyperspectrales
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Cet article présente des algorithmes bayésiens pour le démélange d’images \nhyperspectrales. Chaque pixel de l’image est décomposé selon une combinaison linéaire de \nspectres de référence pondérés par des coefficients d’abondances. Dans un cadre supervisé, \nnous supposons connus les spectres de références. Le problème consiste alors à estimer les \ncoefficients du mélange sous des contraintes de positivité et d’additivité. Une loi a priori \nadéquate est choisie pour ces coefficients qui sont inférés à partir de leur loi a posteriori. Un \nalgorithme de Monte Carlo par chaîne de Markov (MCMC) est développé pour approcher les \nestimateurs. Dans un cadre semi-supervisé, les spectres participant au mélange sont supposés \ninconnus. Nous faisons l’hypothèse qu’ils appartiennent à une bibliothèque spectrale. Un \nalgorithme MCMC à sauts réversibles permet dans ce cas de résoudre le problème de \nsélection de modèle. Enfin, dans un dernier cadre d’étude, les algorithmes précédents sont \nétendus au démélange non-supervisé d’images hyperspectrales, c’est-à-dire au problème \nd’estimation conjointe des spectres et des coefficients de mélange. Ce problème de séparation \naveugle de sources est résolu dans un sous-espace approprié
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle