MétaCan
Menu
Retour à la cohorte
Enregistrement W4233689197 · doi:10.1017/cbo9781139523967.002

Introduction

2015· book-chapter· en· W4233689197 sur OpenAlexaff
Hamid Krim

Notice bibliographique

RevueCambridge University Press eBooks · 2015
Typebook-chapter
Langueen
DomaineComputer Science
ThématiqueDigital Image Processing Techniques
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceComputer graphics (images)Computer graphicsGraphicsArtificial intelligenceComputer vision

Résumé

récupéré en direct d'OpenAlex

This chapter provides a brief summary of what geometric methods for signal and image analysis are all about. Several applications to imaging, computer graphics, and sensor networks are discussed and illustrated. The diversified nature of these applications is powerful testimony to the practical usage of geometric methods. What is signal and image analysis? Signal and image analysis refers to the extraction of meaningful information from signals and images using digital signal and image processing techniques. In signal processing, for example, we measure, manipulate, or analyze information about a signal [1]. Such a signal is defined as a function of one or more independent variables that carries information. Examples of signals are daily high temperatures measured over a month, voltages and currents in a circuit, stock prices, our voices, music and speech, images, videos, and emails. Image processing, on the other hand, is the study of any algorithm that takes an image as input and returns an image as output, such as image enhancement, segmentation, compression, inpainting, and feature detection, to name just a few [2]. Application domains of image processing abound and include medical imaging, biology, satellite imagery, and biometrics. Other areas closely related to signal and image processing are computer vision and computer graphics. Why geometric methods? In light of the successful use of signal and image processing principles and methodologies in a broad range of areas of exceptional social and economic value, there is a growing demand from within academia and industry to devise robust computational methodologies that uncover the key geometric and topological information from signals and images. Geometry is a branch of mathematics concerned with rigid form, size, and location of objects [3], whereas topology is one of the younger fields of mathematics concerned with properties that are preserved under continuous deformations of objects, such as deformations that involve stretching, shrinking, and twisting but no tearing or gluing [4].

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge 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: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,603
Score d'incertitude au seuil0,860

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0040,004
Science ouverte0,0020,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,3970,262

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 Opus0,032
Tête enseignante GPT0,215
Écart entre enseignants0,183 · 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

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

En bref

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCambridge University Press eBooksMême sujetDigital Image Processing TechniquesTravaux en français237 207