Extraction de la forme et de la perspective dans des textures artificielles et des scènes naturelles par modèles corticaux
Bibliographic record
Abstract
Dans ce travail nous presentons un nouvel algorithme d'extraction de la forme par la texture applique a l'analyse des scenes naturelles. L'originalite de cette approche est basee sur la structure du cortex visuel primaire (V1) dont elle modelise les fonctions. L'algorithme est capable d'analyser une grande variete de textures presentant differents types d'irregularites. Tout d'abord pour realiser l'echantillonnage du spectre d'amplitude, nous proposons de nouveaux filtres, appeles filtres log-normaux, inspires du fonctionnement des cellules complexes de l'aire V1, en remplacement des filtres de Gabor classiques. Ces filtres s'averent particulierement appropries aux techniques de reconnaissance de forme de part leurs differentes proprietes theoriques, notamment leur profil en frequence radiale (adapte a la decroissance en 1/f des scenes naturelles) et leur separabilite en orientation et en frequence. Nous utilisons ensuite une methode d'estimation de la frequence moyenne locale appliquees sur des signaux naturels. Celle-ci ne necessite pas la recherche d'une echelle adaptee a l'analyse et tire avantage de l'ensemble des frequences du banc de filtres utilise. Finalement, a partir de l'estimation locale, l'orientation et la forme sont extraits en utilisant les proprietes geometriques de la projection perspective. La precision de la methode est evaluee sur differents types de textures, a la fois regulieres et irregulieres, et sur des scenes naturelles. La methode presentee permet d'obtenir des resultats se comparant favorablement aux meilleures techniques existantes tout en conservant un faible cout de calcul. Enfin le modele peut etre adapte a d'autres applications telles que l'analyse de textures, l'extraction de points caracteristiques ou l'indexation d'images par le contenu.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".