SAlgorithmes bayésiens pour le démélange supervisé, semi-supervisé et non-supervisé d’images hyperspectrales
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».