Accelerating Computation of Zernike and Pseudo-Zernike Moments with a GPU Algorithm
Notice bibliographique
Résumé
Although Zernike and pseudo-Zernike moments have some advanced properties, the computation process is generally very time-consuming, which has limited their practical applications. To improve the computational efficiency of Zernike and pseudo-Zernike moments, in this research, we have explored the use of GPU to accelerate moments computation, and proposed a GPUaccelerated algorithm. The newly developed algorithm is implemented in Python and CUDA C++ with optimizations based on symmetric properties and k × k sub-region scheme. The experimental results are encouraging and have shown that our GPU-accelerated algorithm is able to compute Zernike moments up to order 700 for an image sized at 512 × 512 in 1.7 seconds and compute pseudo-Zernike moments in 3.1 seconds. We have also verified the accuracy of our GPU algorithm by performing image reconstructions from the higher orders of Zernike and pseudo-Zernike moments. For an image sized at 512 × 512, with the maximum order of 700 and k = 11, the PSNR (Peak Signal to Noise Ratio) values of its reconstructed versions from Zernike and pseudo-Zernike moments are 44.52 and 46.29 separately. We have performed image reconstructions from partial sets of Zernike and pseudo-Zernike moments with various order n and different repetition m. Experimental results of both Zernike and pseudo-Zernike moments show that the images reconstructed from the moments of lower and higher orders preserve the principle contents and details of the original image respectively, while moments of positive and negative m result in identical images. Lastly, we have proposed a set of feature vectors based on pseudo-Zernike moments for Chinese character recognition. Three different feature vectors are composed of different parts of four selected lower pseudo-Zernike moments. Experiments on a set of 6,762 Chinese characters show that this method performs well to recognize similar-shaped Chinese characters.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».