MétaCan
Menu
Retour à la cohorte
Enregistrement W2125381833 · doi:10.1109/cmpsac.1979.762465

Some new algorithms and software implementation methods for pattern recognition research

2005· article· en· W2125381833 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
aboutLe titre ou le résumé porte un signal canadien du lexique géographique.

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueMachine Learning and Data Classification
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceSoftwareInterpreterSoftware systemAlgorithmSoftware developmentData miningArtificial intelligenceMachine learningProgramming language

Résumé

récupéré en direct d'OpenAlex

This paper, in two parts, describes some novel algorithms for pattern recognition research and a framework for efficient development, maintenance, and sharing of Interactive software amongst several users and diverse application areas. This modular interactive software system (MISS) forms the basis of a general purpose image analysis and pattern recognition research system (IPS) implemented in the Macdonald Stewart Biomedical Image Processing Laboratory at McGill University. The first part of the paper discusses the algorithms and some preliminary results. Two algorithms are singled out. The first is an interactive approach to nouparametric feature selection via two-dimensional mapping of the multidimension al minimal spanning tree of the features in pattern space. Some preliminary results of the performance of the algorithm, in the automatic mode, applied to feature selection for cervical cell classification, are presented. The second algorithm is an exact procedure for condensing the training data, in the nearest neighbor decision rule, which yields a minimal set of points that implements precisely the original nearest neighbor decision boundary. The second part of the paper describes the MISS and IPS software systems. The MISS software implementation framework insures software colbpati bility and sharing among many individuals and diverse applications, provides safeguard against software loss, and supports an extendable high level interactive language with on-line document ation. MISS language support includes a BASE LAN GUAGE interpreter (implementing a variant of FORTRAN) plus an EXTENDED LANGUAGE interpreter that facilitates addition of new groups of language statements. Each group of statements is associated with a particular function, application area, or programmer. A-11 IPS software has been implemented within the MISS framework. The present IPS implementation includes over 300 EXTENDED LANGUAGE statements in twenty groups facilitating such functions as: image acquisition and display, simulation of a hardware image processor, data management, image manipulation and filtering, graphics, image segmentation and feature extraction, feature selection, classification, and classification per formance measurement. The overall design philosophy of the MISS and IPS software systems and the ease with which new software can be added and documented are described.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,994
Score d'incertitude au seuil0,220

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,176
Tête enseignante GPT0,499
Écart entre enseignants0,323 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

En bref

Citations23
Publié2005
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetMachine Learning and Data ClassificationTravaux en français237 207