Genetic-based square jigsaw puzzle solver using the combined color+texture compatibility criterion
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
When reconstructing jigsaw puzzles, the state-of-the-art algorithms struggle to distinguish between identically colored pieces that belong to different objects. This limitation significantly impacts the accuracy of puzzle solvers, especially in complex images with repetitive colors or textures. To address this issue, we propose a new GA-based square jigsaw puzzle solver. A combined color and texture discriminator is incorporated into the proposed solver to prevent pieces that have the same color but come from distinct objects from being joined together incorrectly. Color and texture features are extracted separately using the sum of square distances and Gabor filter. To evaluate the performance of the proposed solver, we used a dataset consisting 66 images: 20 puzzles with 432 pieces from the MIT collection, 20 puzzles with 540 pieces, and 20 puzzles with 805 pieces from the McGill collection, and 3 puzzles with 2360 pieces, and 3 puzzles with 3300 pieces from the Pomeranz collection. For the direct, neighbor, and largest component comparisons, the proposed method’s accuracy is 92.91%, 96.66%, and 90.83%, respectively. The proposed method demonstrates an improvement of 11.9%, and 3.65% in accuracy based on direct and neighbor comparison criteria, on the database images when compared to current state-of-the-art GA-based square jigsaw puzzle solver.
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.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 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 découle