The Histogram of Enhanced Gradients (HEG) - A Fast Descriptor for Noisy Face Recognition
Notice bibliographique
Résumé
Descriptors serve as algorithms responsible for the representation and processing of multimedia files.One of the main challenges in these algorithms involves establishing a tradeoff among conflicting performance requirements such runtime, on the one hand, and standard metrics such as accuracy, precision, recall and F-score, on the other hand.To address this challenge, a novel descriptor named Histogram of Enhanced Gradients (HEG) is introduced for noisy face recognition.The methodology behind HEG involves enhancing local gradients prior to feature extraction, corroborated by the Histogram of Oriented Gradients (HOG) descriptor and adaptive filtering.Initially, facial images are divided into blocks, and features are extracted from each block using magnitude and orientation maps to discriminate between edges, details, and flat regions.Then, these features undergo denoising with an adaptive anisotropic diffusion filter, individually customized for each of these three types.Subsequently, the enhanced histograms from the blocks are concatenated to create a comprehensive feature vector representing the original noisy face image.Finally, the HEG descriptor is integrated within a supervised machine learning scheme with a Support Vector Machine as the classifier.The proposed descriptor is evaluated not only in terms of runtime and the standard metrics cited above, but also on the basis of six other similarity metrics, across three online datasets.Experimental results, conducted under different noise levels, clearly demonstrate that the HEG descriptor outperforms nine stateof-the-art descriptors on all three datasets yielding significant enhancements in runtime efficiency, with speed improvements ranging from 1.64 to 29.56 times, and notable refinements in F-score, ranging from 1.03 to 2.39 times.These results highlight the effectiveness of the HEG descriptor in capturing facial features from multimedia noisy files.
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 | 0,001 | 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 | 0,001 | 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 | 0,001 |
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 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 ».