Représentation et détection des images et des surfaces déformables
Bibliographic record
Abstract
La représentation d'une surface, son lissage et son utilisation pour l'identification,\nla comparaison, la classification, et l'étude des variations de volume, de courbure\nou de topologie sont omniprésentes dans l'aire de la numérisation. Parmi les\nméthodes mathématiques, nous avons retenu les transformations difféomorphiques\nd'un pattern de référence.\nIl y a un grand intérêt théorique et numérique à approcher un difféomorphisme\narbitraire par des difféomorphismes engendrés par des champs de vitesses. Sur le plan\nthéorique la question est : "est-ce que le sous-groupe de difféomorphismes engendrés\npar des champs de vitesses est dense dans le groupe plus large de Micheletti pour la\nmétrique de Courant ?" Malgré quelques progrès réalisés ici, cette question demeure\nouverte.\nLes pistes empruntées ont alors convergé vers le sous-groupe de Azencott et de\nTrouvé et sa métrique dans le cadre de l'imagerie. Elle correspond à une notion de\ngéodésique entre deux difféomorphismes dans leur sous-groupe. L'optimisation est\nutilisée pour obtenir un système d'équations état adjoint caractérisant la solution\noptimale du problème d'identification à partir des observations.\nCette approche est adaptée à l'identification de surfaces obtenues par un numériseur tel que, par exemple, le scan d'un visage. Ce problème est beaucoup plus\ndifficile que celui d'imagerie. On doit alors introduire un système de référence courbe\net une surface à facettes pour les calculs. On donne la formulation du problème\nd'identification et du calcul du changement de volume par rapport à un scan de\nréférence.
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 | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.020 | 0.005 |
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".