A Comparative Study of Sparseness Measures for Segmenting Textures
Notice bibliographique
Résumé
The concept of sparseness has played an important role in classical signal processing applications such as the acquisition, sampling, and compression of high-dimensionality signals, as well as in various machine learning techniques. Computer vision applications have also benefited in more recent years from sparse representations, which can help recover semantic information from images. In this paper, we shed a unique light on the concept of sparseness and propose a comparative study of four popular sparseness measures applied in a novel way to the problem of texture segmentation. Low-dimensional, contextual, multi-resolution descriptors are derived directly from the sparseness of the pixels' responses to a Gabor filter bank, unlike traditional sparseness-based approaches, we do not impose constraints on or make assumptions about the sparseness of the data or of their representation. Textured images are segmented through pixel labelling via supervised machine learning using the sparseness-based descriptors. The behaviour of the four compared sparseness measures, namely Hoyer's measure, the Gini index, the kurtosis, and the normalized hyperbolic tangent, is analyzed with respect to general rules and desirable attributes using synthetic examples, and is evaluated for texture segmentation problems on the public Outex dataset with respect to texture classes and pixel pattern categories. We found that although the four measures all intend to capture the same information, they yield very different segmentation results, and we recommend the Gini index as the sparseness measure of choice for texture segmentation problems.
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 | 0,000 |
| 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 ».