3D Multi-Views Object Classification Based on a Fully Generalized Dirichlet Allocation Model
Notice bibliographique
Résumé
Comparing 3D objects based on their local features necessitates a substantial amount of computational resources. Recent studies have demonstrated that the combination of topic modeling and the Bag of Visual Words (BoVWs) approach can effectively capture useful and distinguishable object rep-resentations in a consistent way. One of the most common topic modeling approaches is LDA which is based on Dirichlet distribution priors, but it is limited by its incapacity in modeling topic correlations. Consequently, several extensions of LDA were proposed to solve this problem including GD-LDA, LGDA, and CVB-LGDA which have shown good results in discovering the semantic relationships between topics but are either suffering from incomplete generative processes assumptions that impact their inference efficiency or require high-computational power due to their complexity. In this paper, we introduce F-GDA, a fully Generalized Dirichlet Allocation model that is mainly derived from Generalized Dirichlet distributions for 3D objects recognition. Unlike GD-LDA which generalizes only the topics parameter, F-GDA generalizes all the model priors parameters, ensuring complete flexibility in the priors. Extensive experimental results have demonstrated the ability of our model to learn high-quality data representations of a real-world 3D Multi-views dataset ETH80 and also N15.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».