Wavelet-based color texture retrieval using the independent component color space
Notice bibliographique
Résumé
In this paper, we propose a wavelet based color texture retrieval method using the independent component color space. In color texture retrieval, the product of low dimensional marginal distributions of wavelet coefficients from different color layers are preferred to substitute or approximate their high dimensional joint distributions in order to avoid the curse of dimensionality. However, the RGB color spaces is a highly correlated color space and the extractedwavelet coefficients from different layers are also correlated, which means such a substitution or approximation will not be adequate. To solve the problem, we use independent component analysis to decorrelate the R, G and B layers into three new independent layers before applying wavelet decomposition on the color texture images. In the feature extraction(FE) step of the proposed method, generalized Gaussian density (GGD) are used to model the marginal distribution of wavelet coefficients, and the extracted model parameters are used as features. In the similarity measurement (SM) step of the proposed method, the Kullback-Leibler distance(KLD) is calculated as feature distance, using the extracted model parameters of the query texture images and those of the images in the database. Experimental results on a database of 1120 color texture images indicate that the proposed method greatly overperforms its RGB based counterpart that ignores the inter-layer correlation, and its counterpart which uses the I1I2I3 colorspace.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».