The Groupwise Medial Axis Transform for Fuzzy Skeletonization and Pruning
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
Medial representations of shapes are useful due to their use of an object-centered coordinate system that directly captures intuitive notions of shape such as thickness, bending, and elongation. However, it is well known that an object's medial axis transform (MAT) is unstable with respect to small perturbations of its boundary. This instability results in additional, unwanted branches in the skeletons, which must be pruned in order to recover the portions of the skeletons arising purely from the uncorrupted shape information. Almost all approaches to skeleton pruning compute a significance measure for each branch according to some heuristic criteria, and then prune the least significant branches first. Current approaches to branch significance computation can be classified as either local, solely using information from a neighborhood surrounding each branch, or global, using information about the shape as a whole. In this paper, we propose a third, groupwise approach to branch significance computation. We develop a groupwise skeletonization framework that yields a fuzzy significance measure for each branch, derived from information provided by the group of shapes. We call this framework the Groupwise Medial Axis Transform (G-MAT). We propose and evaluate four groupwise methods for computing branch significance and report superior performance compared to a recent, leading method. We measure the performance of each pruning algorithm using denoising, classification, and within-class skeleton similarity measures. This research has several applications, including object retrieval and shape analysis.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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