Filter‐based face recognition under varying illumination
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
In this study, the authors develop a new algorithm for face recognition with varying lighting conditions. Their method first performs low‐pass and high‐pass filtering to the face image, and then takes the ratio between the two filtered images. The authors take the arctangent to the ratio and use these features to classify an unknown face image. In addition, their method works for any combination of low‐pass and high‐pass filters. The authors studied two sets of the low‐pass and high‐pass filters in their experiments and their results are better than gradient faces, Weber faces, and self‐quotient images (SQIs) in the noisy environment, no matter denoising or no denoising is performed to the noisy face images for the CMU‐PIE and Extended Yale‐B databases. Nevertheless, the SQI is best for the CAS‐PEAL face database in authors’ experiments. The SQI takes a convolution operation with a low‐pass filter. The implementation of SQI may have chosen a more suitable low‐pass filter for the CAS‐PEAL face database, but not for the YALE and CMU‐PIE face databases. This may be the main reason why SQI outperformed their proposed method in this study for the CAS‐PEAL face database. Nevertheless, the SQI is many times slower than their proposed method.
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 | 0,001 | 0,004 |
| 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 | 0,001 |
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