An Enhanced Histogram of Oriented Gradient Descriptor for Numismatic Applications
Notice bibliographique
Résumé
The Histogram of Oriented Gradients (HOG) is one of the most widely used methods to extract the gradient features for object recognition and consistently shows high accuracy rates when compared to other descriptors. The major drawbacks of using the HOG method are the necessity of finding an optimal window size to fit the whole object; and the exhaustive search mechanism represented by a fixed window size sliding through the whole image to locate and recognize objects. This research proposes an efficient and robust Dynamic-HOG as an improvement to the traditional HOG method to locate and recognize structured objects in images. The proposed method works by locating and analyzing the structured objects in images in order to define a dynamic window size w.r.t. each object size. Moreover, the Dynamic-HOG method requires much less processing time by eliminating the exhaustive search mechanism. The method defines the height and width thresholds of objects and bounds each object with a window w.r.t. its size while ignoring non–object edges. It fits structured objects of a close range of heights and widths. This paper considers the characters that are minted on coins of different languages and sizes as the objects to recognize. There are several papers in the literature discussing coin recognition problem and proposing solutions based on various sets of features extracted from the entire coin image. This research also proposes a new method for coin recognition by focusing on recognize coins based on smaller part of the coin image which are the characters. Our method is evaluated on coins from diverse countries with different background complexity. The proposed method achieved precision and recall rates as high as 98.08 and 98.23%, respectively; which demonstrate the effectiveness and robustness of the 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».