Modeling the Joint Distribution of Scene Events at an Edge
Notice bibliographique
Résumé
Edges in an image arise from discontinuities in scene variables, namely reflectance (R), illumination (I), depth (D) and surface orientation (O). Prior studies on edge classification have viewed it as a binary classification problem: each edge is assumed to arise from one of two disjoint categories (e.g., depth or not depth, shadow or not shadow). Here we suggest an alternate view in which an edge may signal discontinuities in any combination of the scene variables (RIDO). To explore this model, we had 4 trained observers label one randomly selected edge in each of 1,000 randomly selected images drawn from the McGill Calibrated Colour Image Database and from Flickr; the averaged data provide an estimate of the joint distribution over the 4 binary variables RIDO. To model the distribution, we consider an exhaustive set of 42 undirected and 72 directed graphical models of low-order (parameters). The models first link the RI variables, capturing the constraint but also the fact that the two variables change together less often than would be predicted by independence – it’s usually one or the other. The IO variables are then linked, which captures the fact that illumination is more likely to be changing if surface orientation is changing. More subtle relations are most efficiently captured by directed models. For example, conditioning R on D captures the increased likelihood of reflectance change at occlusion boundaries.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».