Revolutionizing facial image retrieval: Multi-block and mean based local binary patterns with sign and magnitude analysis
Notice bibliographique
Résumé
Robust and accurate approaches are in high demand in the field of facial image retrieval systems. The current methods are not as resilient overall since they mostly rely on sign information within small 3 × 3 or 5 × 5 pixel windows. We provide a novel local binary descriptor specifically designed for facial image retrieval, called Multi-scale Block and Mean-based Local Binary Pattern (MBM-LBP), to address this issue head-on. By utilizing a larger 6 × 6 pixel window and taking into account the sign and magnitude of nearby pixels holistically, MBM-LBP represents a paradigm leap in system robustness and improves the richness of feature representation. The suggested MBM-LBP is carefully examined by means of thorough evaluations using two face image datasets. The results clearly demonstrate MBM-LBP’s superiority over current state-of-the-art methods in the field of face image retrieval. In addition to improving retrieval accuracy, MBM-LBP has the potential to provide more accurate and consistent results for a broad range of real-world uses. This ground-breaking invention paves the way for improved face image retrieval systems, catering to the diverse requirements of multiple industries where reliable and effective retrieval is vital. Facial image retrieval is about to enter a new era marked by significant improvements in both performance and utility, thanks to the leadership of MBM-LBP.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».