SAlgorithmes bayésiens pour le démélange supervisé, semi-supervisé et non-supervisé d’images hyperspectrales
Bibliographic record
Abstract
Cet article présente des algorithmes bayésiens pour le démélange d’images \nhyperspectrales. Chaque pixel de l’image est décomposé selon une combinaison linéaire de \nspectres de référence pondérés par des coefficients d’abondances. Dans un cadre supervisé, \nnous supposons connus les spectres de références. Le problème consiste alors à estimer les \ncoefficients du mélange sous des contraintes de positivité et d’additivité. Une loi a priori \nadéquate est choisie pour ces coefficients qui sont inférés à partir de leur loi a posteriori. Un \nalgorithme de Monte Carlo par chaîne de Markov (MCMC) est développé pour approcher les \nestimateurs. Dans un cadre semi-supervisé, les spectres participant au mélange sont supposés \ninconnus. Nous faisons l’hypothèse qu’ils appartiennent à une bibliothèque spectrale. Un \nalgorithme MCMC à sauts réversibles permet dans ce cas de résoudre le problème de \nsélection de modèle. Enfin, dans un dernier cadre d’étude, les algorithmes précédents sont \nétendus au démélange non-supervisé d’images hyperspectrales, c’est-à-dire au problème \nd’estimation conjointe des spectres et des coefficients de mélange. Ce problème de séparation \naveugle de sources est résolu dans un sous-espace approprié
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".