SEGMENTACIÓN DE IMÁGENES DE COLOR EMPLEANDO EL ESPACIO DE ESCALA GAUSSIANO
Notice bibliographique
Résumé
RESUMEN: La visión por computador trata con el problema de encontrar interpretaciones o descripciones significativas a partir de datos visuales y se pueden pensar tres preguntas que conduzcan a la interpretación significativa de los mismos. ¿Cuál es la información relevante de la imagen? ¿Cómo debe extraerse la información relevante de los datos censados? ¿Qué medidas o características pueden obtenerse de la información extraída? Este trabajo pretende responder a la segunda pregunta, así como de identificar desde la imagen qué objetos están en el mundo y donde están en él. Se recurre a la representación en el espacio de escala para el análisis de los datos en diferentes niveles de la imagen y se propone una metodología de segmentación basada en la relación de cada uno de los píxeles con su vecindario. Los espacios de escala son reducciones sucesivas de características de la imagen que permiten identificar las propiedades más significativas de la misma, aplicando un filtro Gaussiano cuyos parámetros son variados a medida que la escala aumenta. Para las pruebas se emplearon imágenes de café y los resultados muestran regiones más completas con respecto a las técnicas de segmentación de crecimiento de regiones y SCT debido a la influencia del filtrado sucesivo. Este trabajo se desarrolló con apoyo del proyecto de investigación MODELADO DE SUPERFICIES DE FORMA LIBRE.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».