A novel perception oriented image color representation
Notice bibliographique
Résumé
The problem of representing image pixels in a way that is consistent with human perception is one of the essential problems in computer vision. An appropriate representation of pixels in an image can be of great help for the subsequent image analysis. A major kind of solutions for pixel color representation is to design novel color spaces from conventional sRGB color space so that the distance in the new color space can isotropically represent the color difference in the sense of human vision. Most of the color spaces, however, often transform the colors in the image using the same metrics. On the contrary, the human vision system can always auto adjust the sense of colors with respect to the view condition. In order to simulate the way that human perceives colors, we propose a novel color representation which can parameterize the color of each pixel with respect to the global color distribution in the current image. The underlying assumption of our proposed representation is the fact that the chrominance in a nature image is limited in the sense of human perception, and we call those colors as dominant colors in the image. We further assume that all the colors in a nature image can be modeled based on those dominant colors. Specifically, we first approximate the global image color distribution by the sum of a series of mixture Gaussian functions. The centroids of these Gaussian functions are regarded as the dominant colors of the image. In order to further model the colors not belonging to any of the Gaussian centroids, a simple linear model is proposed. Our proposed color representation explains the image color in a semantic way, and it can be easy to use for image analysis, such as segmentation, color editing, and compression.
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 | 0,000 | 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 | 0,001 |
| 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 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 ».