Image segmentation by a new weighted Student's <i>t</i> ‐mixture model
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
In this study, the authors introduce a new weighted Student's t ‐mixture model (WSMM) for image segmentation. Gaussian distribution and Student's t ‐distribution are the two commonly used probabilities in the finite mixture model (FMM). The Student's t ‐mixture model has come to be regarded as an alternative to Gaussian mixture models, as it is heavily tailed and more robust for outliers. Moreover, the pixels are considered independent of each other in the FMM. Although some existing methods incorporate the spatial relationship between neighbouring pixels, they do not consider the relationship between spatial information and clustering information, thus those reported methods remain sensitive to noise. The advantages of the authors method are as follows: first, the authors introduce WSMM to incorporate the local spatial information, pixel intensity value and clustering information in an image. Second, the authors model is simple, easy to implement and has a good balance between noise insensitiveness and image detail preservation. Third, they adopt the gradient method and expectation maximisation algorithm, which allow for simultaneous estimation of optimal parameters. Finally, the most useful statistical tool for image segmentation, the well‐known hidden Markov random field model, is a special case of their model. Thus, their method is general enough for model‐based techniques construction. Experimental results on synthetic and real images demonstrate the improved robustness and effectiveness of their approach.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,004 |
| 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 | 0,000 |
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 découle