Efficient and reliable methods for direct parameterized image registration
Notice bibliographique
Résumé
This thesis examines methods for efficient and reliable image registration in the context of computer vision and medical imaging. Direct, parameterized image registration approaches work by minimizing a difference measure between a fixed reference image, and the image warped to match it. The calculation of this difference measure is the most computationally intensive part of the process and for faster registration it either has to be calculated faster, or calculated fewer times. Both possibilities are addressed in detail. Efficiency and reliability are addressed in four ways (1) Methods are presented for generalizing the Gauss-Newton Hessian approximation to the non-least squares case, and for the optimal selection of scaling factors for the transformation parameters. Both of these enhance performance by enabling optimization algorithms to perform fewer evaluations of the difference measure. The performance of a wide range of optimization algorithms is analyzed both theoretically and experimentally, and guidelines are presented for optimizer selection based on the characteristics of the registration problem. (2) Using only a portion of the available pixels results in faster calculation but suffers from a potential loss of accuracy. An algorithm is presented which applies formal deliberation control methods to managing this tradeoff. By managing the amount of image data used at every evaluation of the cost function, the algorithm adapts to the nature of the images and the stage of the optimization. This adaptive approach allows greater efficiency without sacrificing reliability. (3) It is shown that the scale used to compute the derivative is a critical factor to consider when selecting subsets of pixels for registration, that has largely been ignored in previous work. Finally, (4) two existing efficient registration approaches, the inverse compositional, and efficient second order algorithms, rely on specialized optimizer update steps and specialized pa
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 | 0,002 | 0,002 |
| 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 | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 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 ».