MétaCan
Menu
Retour à la cohorte
Enregistrement W3042470565 · doi:10.1101/2020.07.17.205369

Colormesh: A novel method for quantifying variation in complex color patterns

2020· preprint· en· W3042470565 sur OpenAlexaff
Jennifer J. Valvo, F. Helen Rodd, David Houle, J. David Aponte, Mitchel J. Daniel, Kenna Dwinell, Kimberly A. Hughes

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2020
Typepreprint
Langueen
DomaineMathematics
ThématiqueMorphological variations and asymmetry
Établissements canadiensUniversity of CalgaryUniversity of Toronto
Organismes subventionnairesNational Science Foundation
Mots-clésVariation (astronomy)Categorical variableArtificial intelligencePattern recognition (psychology)Computer scienceRange (aeronautics)Sampling (signal processing)Computer visionMachine learning

Résumé

récupéré en direct d'OpenAlex

Abstract Color variation is one of the most obvious examples of variation in nature. Objective quantification and interpretation of variation in color and complex patterns is challenging. Assessment of variation in color patterns is limited by the reduction of color into categorical measures and lack of spatial information. We present Colormesh as a novel method for analyzing complex color patterns that offers unique capabilities. Compared to other methods, Colormesh maintains the continuous measure of color at individual sampling points throughout the pattern. This is particularly useful for analyses of variation in color patterns, whether interest is in specific locations or the pattern as a whole. In our approach, the use of Delaunay triangulation to determine sampling location eliminates the need for color patterns to have clearly defined pattern elements, and users are not required to identify discrete color categories. This method is complementary to several other methods available for color pattern quantification, and can be usefully deployed to address a wide range of questions about color pattern variation.

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 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)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,769
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,143
Tête enseignante GPT0,336
Écart entre enseignants0,193 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)Même sujetMorphological variations and asymmetryTravaux en français237 207