Représentation et identification des hypersurfaces
Bibliographic record
Abstract
L’objectif à moyen terme de ce travail est d’explorer quelques formulations des problèmes\nd’identification de forme et de reconnaissance de surface à partir de mesures ponctuelles.\nCes problèmes ont plusieurs applications importantes dans les domaines de l’imagerie\nmédicale, de la biométrie, de la sécurité des accès automatiques et dans l’identification\nde structures cohérentes lagrangiennes en mécanique des fluides. Par exemple, le\nproblème d’identification des différentes caractéristiques de la main droite ou du visage\nd’une population à l’autre ou le suivi d’une chirurgie à partir des données générées par un\nnumériseur.\nL’objectif de ce mémoire est de préparer le terrain en passant en revue les différents\noutils mathématiques disponibles pour appréhender la géométrie comme variable d’optimisation\nou d’identification. Pour l’identification des surfaces, on explore l’utilisation de\nfonctions distance ou distance orientée, et d’ensembles de niveau comme chez S. Osher et\nR. Fedkiw ; pour la comparaison de surfaces, on présente les constructions des métriques\nde Courant par A. M. Micheletti en 1972 et le point de vue de R. Azencott et A. Trouvé en 1995 qui consistent à générer des déformations d’une surface\nde référence via une famille de difféomorphismes. L’accent est mis sur les fondations\nmathématiques sous-jacentes que l’on a essayé de clarifier lorsque nécessaire, et, le cas\néchéant, sur l’exploration d’autres avenues.
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 | 0.001 | 0.003 |
| 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 | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
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".