Planckian regression temperature for least spectral error and least CIELAB error
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
The correlated color temperature (CCT) provides a simple and useful descriptor for a given spectral power distribution as well as an approximation of the full spectrum of the measured illuminant. But typically, the CCT is calculated on the basis of distance in the chromaticity plane. Here we suggest that, while familiar, this metric is not the most effective for actually generating a useful spectral approximation. Given the recent interest in whole-spectrum calculations, we consider what optimization would be most sensible for identifying the nearest Planckian in terms of the whole-spectrum RMS error; in that case, we are calculating a variant of the distribution temperature, another simple descriptor. This effectively means that instead of one value T, we instead describe a spectrum in terms of both T and an intensity I. In general, we wish to balance the need for (i) a best mapping of the whole spectrum and (ii) the smallest CIELAB error. As a first step, we show how to calculate the spectrum analytically in the case when RMS spectral-error minimization is the sole goal. Generalizing, we consider an optimization that tries to minimize a balance of RMS and CIELAB error, leading to a family of solutions. Finally, we suggest a specific optimization that arguably forms a best trade-off of these two objectives, which we denote the Planckian regression temperature. Results are shown for some standard test illuminants and then for a further 102 measured spectra, with results separately reported for fluorescent and nonfluorescent illuminants.
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