Notice bibliographique
Résumé
Introduction In many natural scenes shadows and shading, which are primarily luminance-defined features, proliferate. Hence one might expect the chromatic layers of natural scenes to consist of relatively fewer and larger uniform regions compared to the luminance layers. In other words we might expect color to be more patchy than luminance. On the other hand it has been shown that the Fourier amplitude spectra of the chromatic and luminance layers of natural scenes have similar slopes, which might be taken to imply that color and luminance is equally patchy. We therefore measured the patchiness of the color and luminance layers of a large number of natural scenes, using a new metric of patchiness defined as the average kurtosis across multiple filter scales. We also correlated the patchiness of the scenes with the slopes of their amplitude spectra. Method 234 images from the McGill calibrated color database (resolution of 960×960 pixels) were used for the analysis. Half of the images were of foliage, the other half of man-made objects. The images were decomposed into luminance, red-green and blue-yellow layers, using the modified version of MacLeod-Boynton color space suggested by Ruderman. The image layers were filtered using isotropic bandpass filters of five sizes. The kurtosis of the filtered images were measured and averaged across filter size. The slopes of the amplitude spectra were also measured. Results The red-green layers were significantly more patchy than the luminance layers, for both foliage (p=0.0003) and man-made (p=0.00005) scenes. Blue-yellow layers were only significantly patchier than luminance layers for man-made images (p=0.02). There was no significant correlation between patchiness and spectral slope for the luminance and red-green layers, but a significant correlation for the blue-yellow layer (0.5). Conclusion The red-green layers of natural scenes are more patchy than the luminance layers, and the difference appears unrelated to the slope of the amplitude spectrum.
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 | 0,000 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».