Color Image Segmentation Using Generalized Inverted Dirichlet Finite Mixture Models By Integrating Spatial Information
Notice bibliographique
Résumé
Mixture models are popular statistical approaches for image segmentation. However, mixture models based segmentation faces some difficulties. The first problem is the estimation of the number of clusters (M). Secondly, the spatial information is generally not considered. In this paper, we have used two methods to counter these issues. The first method uses spatial information as the prior knowledge of M. This prior knowledge does not give the direct value of M instead it provides some indirect information which can be used to estimate the optimal value of M. The second one uses Markov Random Field (MRF) to integrate spatial information. MRF based models need high computational power due to their complexity. They cannot be used directly in the Maximization step (M-Step) of Expectation-Maximization (EM) algorithm. The MRF model used in this paper does not require high computational power and can be easily integrated with the M-Step. We have implemented Inverted Dirichlet (ID) and Generalized Inverted Dirichlet (GID) mixture models using these two methods. For experiments, we have used 500 Berkeley dataset (BSD500). In order to compare the image segmentation results, the outputs of ID mixture model (IDMM) and GID mixture model (GIDMM) are compared with the Gaussian mixture model (GMM), using segmentation performance evaluation metrics. The results obtained from GIDMM and IDMM are more promising than those obtained with GMM.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».