MétaCan
Menu
Retour à la cohorte
Enregistrement W2913358852 · doi:10.1117/3.2316455.ch9

Image Fusion Metrics

2018· book-chapter· en· W2913358852 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueSPIE eBooks · 2018
Typebook-chapter
Langueen
DomaineEngineering
ThématiqueAdvanced Image Fusion Techniques
Établissements canadiensOkanagan University CollegeUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésImage fusionFuse (electrical)Computer scienceFusionArtificial intelligenceImage (mathematics)Distortion (music)Process (computing)Image qualityQuality (philosophy)Machine learningData miningComputer visionPattern recognition (psychology)Engineering

Résumé

récupéré en direct d'OpenAlex

An image fusion process should preserve all useful patterns from the source images while minimizing artifacts that could interfere with subsequent analyses or distract human observers. Given that it is nearly impossible to fuse images without introducing some form of distortion, measurements are necessary to present a fused image quality (IQ) for user analysis. <strong>9.1 Introduction</strong> Image-quality measurement is as important as image fusion methods to guide developments for engineers, support learning methods for machines, and enhance trust with users. This chapter focuses on objective evaluation using quantitative metrics, whereas subjective evaluation will be discussed in Chapter 10. In order to objectively assess the performance of an image fusion method, a number of evaluation metrics, either objective or subjective, have been proposed. Studies on image fusion lack information that explicitly defines the applicability and feasibility of a specific fusion algorithm for a given application. Usually, a subjective evaluation is carried out to validate an objective assessment. However, identifying a reliable subjective score needs extensive experiments, which is expensive and cannot cover all possible conditions of interest. Typically, a robust performance model is required to account for the critical image fusion parameters and better assess the trend of image fusion performance quality.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,555
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,234
Écart entre enseignants0,220 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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