MétaCan
Menu
Retour à la cohorte
Enregistrement W2142446297 · doi:10.1109/iita.2009.310

An Optimalizing Threshold Segmentation Algorithm for Road Images Based on Mathematical Morphology

2009· article· en· W2142446297 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.

fundUn bailleur canadien est enregistré sur le travail.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Measurement and Detection Methods
Établissements canadiensnon disponible
Organismes subventionnairesGuangdong Ocean UniversityLakehead University
Mots-clésMathematical morphologySegmentationRobustness (evolution)Image segmentationComputer scienceClosing (real estate)Artificial intelligenceShadow (psychology)Computer visionAlgorithmScale-space segmentationMobile robotNoise (video)Morphological gradientRobotPattern recognition (psychology)Image (mathematics)Image processing

Résumé

récupéré en direct d'OpenAlex

Considering the requirements of real time and robustness for the segmentation algorithms for mobile robots, an optimal threshold segmentation algorithm based on mathematical morphology was studied. Two improved measures, i.e., introducing an improved combination filter of median and multi-scale, and increasing morphological opening and closing operation, were proposed for the general optimal threshold segmentation algorithm. The experimental results indicated that the algorithm can not only accurately segment road and off-road regions within the unstructured road images that contain three common types of noise, but better overcome the influence of the road shadow, water marks, cracks and damage on the 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.

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)0,000
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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,539
Score d'incertitude au seuil0,401

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 savante0,0000,000
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 Opus0,033
Tête enseignante GPT0,329
Écart entre enseignants0,295 · 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

Citations5
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Measurement and Detection MethodsTravaux en français237 207