EFIS—Evolving Fuzzy Image Segmentation
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
Despite the large number of techniques proposed in recent years, accurate segmentation of digital images remains a challenging task for automated computer algorithms. Approaches based on machine learning hold particular promise in this regard, because in many applications, e.g., medical image analysis, frequent user intervention can be assumed to correct the results, thereby generating valuable feedback for algorithmic learning. In order to learn segmentation of new (unseen) images, such user feedback (correction of current or past results) seems indispensable. In this paper, we propose the formation and evolution of fuzzy rules for user-oriented environments in which feedback is captured by design. The evolving fuzzy image segmentation (EFIS) can be used to adjust the parameters of existing segmentation methods, switch between their results, or fuse their results. Specifically, we propose a single-parametric EFIS (SEFIS), apply its rule evolution to breast ultrasound images, and evaluate the results using three segmentation methods, namely, global thresholding, region growing, and statistical region merging. The results show increased accuracy across all tests and for all methods. For instance, the accuracy of statistical region merging can be improved from 59% ± 30% to 71% ± 22%. We also propose a multiparametric EFIS (MEFIS) for switching between or fusing the results of multiple segmentation methods. Preliminary results indicate that MEFIS can further increase overall segmentation accuracy. Three thresholding methods with accuracies of 62% ± 11%, 64% ± 16%, and 61% ± 9% were combined to reach an overall accuracy of 66% ± 15%. Finally, we compare our SEFIS scheme with five other thresholding methods to evaluate its overall performance.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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