Intensity-invariant color image segmentation using MPC algorithm
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
In this paper, two unsupervised color image segmentation methods based on color clustering are explored: k-means (KM) and mixture of principal components (MPC). KM and MPC use respectively the Euclidean distance and the vector angle as color similarly measures. It is shown that the vector angle is an intensity-invariant measure in RGB based on the dichromatic reflectance model. Results are given for various color spaces: RGB, XYZ, rgb (normalized RGB), CIELAB, CIELUV, h/sub 1/h/sub 2/h/sub 3/ (a new space), and l/sub 1/l/sub 2/l/sub 3/. Quantitative and qualitative results show the effectiveness of the MPC algorithm on the RGB, rgb, and XYZ color spaces whereas the KM combination seems most effective in the CIELAB, h/sub 1/h/sub 2/h/sub 3/, and l/sub 1/l/sub 2/l/sub 3/ color spaces. Finally, poor color clustering results with MPC in h/sub 1/h/sub 2/h/sub 3/ and with KM in rgb suggest that some assumptions in deriving a simplified version of Shafer's model for matte surfaces might have been violated.
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 | 0,000 |
| 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