On the Design and Evaluation of Multiobjective Single-Channel SAR Image Segmentation Algorithms
Notice bibliographique
Résumé
Multiobjective segmentation algorithms are based on an objective function, consisting of two or more terms, that is minimized by using an optimization algorithm. The objective terms represent differing segmentation objectives, the most popular of which are statistical likelihood of pixel values and smoothness of segment boundaries. Many assumptions are built into the objective function, and we present a case study based on the algorithm of Stewart to demonstrate the importance of analyzing algorithm characteristics to test the validity of hidden assumptions. We develop a set of simulated test images and a novel segmentation performance metric for use with simulated data. An innovative aspect of the Stewart algorithm (SA) is the probability of false alarm (PFA) model used to weight the objective terms. This is intended to dynamically balance the terms as the algorithm progresses. The PFA model is only valid for false edges, and we have shown that the number of selected true edges increases as segmentation evolves, making the theoretical weight model increasingly invalid. In addition, we found problems with several other algorithm assumptions. We tested algorithm performance against a fixed-weight version. We found that the performance of the SA was worse than a fixed-weight version. Thus, while the two-term objective function algorithm does deliver reasonable performance for multilook data, the fixed-weight version gives better performance. While these results hold only for simulated data, we believe that the experimental results indicate the need for a more powerful approach to multiobjective synthetic aperture radar segmentation.
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 | 0,000 |
| 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 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 ».