A Level Set based Regularization Framework for EIT Image Reconstruction
Notice bibliographique
Résumé
Electrical Impedance Tomography (EIT) reconstructs the conductivity distribution within a medium from electrical stimulation and measurements at the medium surface. Level set based reconstruction method (LSRM) has gained attention during the last decade as an effective solution to address the need of reconstructing structures with limited amount of available data. The classical LSRM is based on the quadratic formulations (L2 norms); however, the L2 norms are not robust to outliers and spatial noise. The L1 norm is a more solid alternative to produce high robustness against outliers and noise. The L1 norm is minimized by Primal dual-interior point method (PDIPM). In this paper, we derive a novel level set (LS) based regularization framework for using the L1 norm independently on the data and the regularization term of an inverse problem. The proposed LS based regularization method, called LS based PDIPM (LS-PDIPM), applies the PDIPM to minimize the L1 norms. We use the LS-PDIPM to reconstruct 2D images from EIT simulated data. The proposed LS-PDIPM with the L1 norms provides sharper and less noisy images, when comparing with the L2 norm based regularization method.
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 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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».