Image segmentation and selective smoothing by using Mumford-Shah model
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
Recently, Chan and Vese developed an active contour model for image segmentation and smoothing by using piecewise constant and smooth representation of an image. Tsai et al. also independently developed a segmentation and smoothing method similar to the Chan and Vese piecewise smooth approach. These models are active contours based on the Mumford-Shah variational approach and the level-set method. In this paper, we develop a new hierarchical method which has many advantages compared to the Chan and Vese multiphase active contour models. First, unlike previous works, the curve evolution partial differential equations (PDEs) for different level-set functions are decoupled. Each curve evolution PDE is the equation of motion of just one level-set function, and different level-set equations of motion are solved in a hierarchy. This decoupling of the motion equations of the level-set functions speeds up the segmentation process significantly. Second, because of the coupling of the curve evolution equations associated with different level-set functions, the initialization of the level sets in Chan and Vese's method is difficult to handle. In fact, different initial conditions may produce completely different results. The hierarchical method proposed in this paper can avoid the problem due to the choice of initial conditions. Third, in this paper, we use the diffusion equation for denoising. This method, therefore, can deal with very noisy images. In general, our method is fast, flexible, not sensitive to the choice of initial conditions, and produces very good results.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| 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