SEGMENTACIÓN DE IMÁGENES DE COLOR EMPLEANDO EL ESPACIO DE ESCALA GAUSSIANO
Bibliographic record
Abstract
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.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".