A machine learning framework for the classification and refinement of hand drawn curves /
Notice bibliographique
Résumé
This thesis presents a machine learning framework for the automatic classification and refinement of curves. The proposed framework is composed of both a representation and a family of algorithms for making inferences from examples, given suitable guidance from a user. The underlying computational paradigm taken consists of applying Hidden Markov Models to a wavelet representation of the curves of interest, each of which is presented as part of a pair of examples. The learning framework is exemplified by developing a gesture-based interface for two distinct applications: robot path planning and sketch beautification. For each, it is demonstrated that we can learn constraints on curves from a set of examples and apply them to augment rudimentary gesture information from a human operator. Further, it is demonstrated that we can identify what class of curves the human input belongs to, allowing us to automate the curve refinement process for unclassified inputs. Finally, in cases where gesture information is given in the form of an image, it is also shown that the same methodology can be used to detect and extract the most likely parametric curve from the image. There are three key issues that are addressed for the classification and refinement of curves. First, we must establish the way in which the input, training and output curves look like one another. In the framework presented, this likeness is expressed statistically using Hidden Markov Models that extend over multiple curve attributes (such as curve thickness or color) and scales. Second, when attempting to infer a curve, we must also determine the way in which the surrounding curves should affect the inference. Using a hierarchy of Hidden Markov Models, we can impose and exploit probabilistic interactions between multiple curves that make up an entire scene. Finally, in addition to the learned constraints, we must also determine a method for combining user-defined constraints with the Hidden Markov Models. It is shown that we can reformulate the Hidden Markov Models using a regularization framework and allow for the seamless integration of ad hoc biases to the learned models.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».