Optimization procedures for the estimation of phase portrait parameters of orientation fields
Notice bibliographique
Résumé
Oriented patterns in an image often convey important information regarding the scene or the objects contained. Given an image presenting oriented texture, the orientation field of the image is a map that depicts the orientation angle of the texture at each pixel. Rao and Jain developed a method to describe oriented patterns in an image based on the association between the orientation field of a textured image and the phase portrait generated by a pair of linear first-order differential equations. The estimation of the model parameters is a nonlinear, nonconvex optimization problem, and practical experience shows that irrelevant local minima can lead to convergence to inappropriate results. We investigated the performance of four optimization algorithms for the estimation of the optimal phase portrait parameters for a given orientation field. The investigated algorithms are: nonlinear least-squares, linear least-squares, iterative linear least-squares, and simulated annealing. The algorithms are evaluated and compared in terms of the error between the estimated parameters and the parameters known by design, in the presence of noise in the orientation field and imprecision in the initialization of the parameters. The computational effort required by each algorithm is also assessed. Individually, the simulated annealing procedure yielded low fixed-point and parameter errors over the entire range of noise tested, whereas the performance of the other methods deteriorated with higher levels of noise. The use of the result of simulated annealing for the initialization of the nonlinear least-squares method led to further improvement upon the simulated annealing results.
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 | 0,008 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».