边缘检测 ROC 分析
提出了一种使用结构化学习直接优化 ROC 曲线下假阳性率范围内的部分面积的新型集成学习方法,该方法有效地训练出最先进的行人检测器。
Oct, 2013
本研究介绍了针对人脸识别中 ROC 曲线的统计版本与偏差问题,基于经验 ROC 分析,因相似度评分的 True/False Acceptance Rates 呈 U - 统计学形式,导致朴素的自助法方法不适用,需采用专门的重新校准技术,以此计算准确的 ROC 曲线。本研究采用数张人脸图像为实验数据,分析了多种基于 ROC 的公平性指标。
Nov, 2022
我们分析了用于自动海岸线检测的边缘检测算法的有效性,通过评估 RMSE、PSNR、SSIM 和 FOM 等评估指标,发现 FOM 是选择最佳阈值的最可靠指标。相对于 RMSE、PSNR 和 SSIM,在这次实验中,FOM 在 92.6% 的时间内选择到更好的阈值,在 66.3% 的时间内选择到最佳阈值。而 RMSE、PSNR 和 SSIM 的选择率分别仅为 6.3%、6.3% 和 11.6%。通过重新解释 RMSE、PSNR 和 SSIM 的混淆矩阵度量,我们提出了对这些结果的解释,这表明这些评估指标不仅在这次实验中效果不好,而且在一般的边缘检测评估中也不实用。
May, 2024
通过开发基于协作学习的模型 PEdger,我们试图解决边缘检测中的深度学习模型计算成本大、模型尺寸大、噪声标注和不准确性等问题,并通过大量实验证明了其在准确性、速度和模型尺寸方面的优越性。
Aug, 2023
通过对边缘检测算法进行分析,我们研究了从卫星图像中自动提取海岸线的有效性。通过视觉和度量的比较,我们发现 Canny 算法的平均结构相似性指数(SSIM)为 0.8,检测到的边缘与参考边缘最为接近。然而,该算法在区分嘈杂边缘(如建筑物等)和海岸线边缘方面存在困难。此外,直方图均衡化和高斯模糊可分别将边缘检测算法的有效性提高 1.5 倍和 1.6 倍。
May, 2024
本文使用元分析研究异常检测问题和方法,提供了大量异常检测基准数据和实验结果,分析了实验设计、指标和算法策略的影响,为异常检测问题提供了本体、方法、实验规范和未来研究的指导。
Mar, 2015
在本研究中,我们通过可视证据和统计分析剖析了像素级异常检测中存在的正常样本和异常样本严重不平衡的复杂挑战,并深入探讨了需要考虑不平衡的评估指标的需求。通过对 21 个异常检测问题上使用 11 种领先的现代异常检测方法进行广泛实验评估,我们可以得出结论,基于 Precision-Recall 的指标可以更好地捕捉方法性能的相对关系,使其更适用于这一任务。
Oct, 2023
通过结合 PCA 和边缘检测构建图像空间,并使用 Euclidean 和 Mahalanobian 距离之间的关系从中提取出新特征 H,从而决定指纹图像是否适用于给定数据库;最终在接受者操作特性 (ROC) 曲线上选择合适的参数 H 阈值以满足误告警和漏报率要求。
Feb, 2015
通过将边缘检测器作为层核心并设计一个二进制边缘特征分支(BEFB)来学习二进制边缘特征,结合纹理特征并将其与主干网络结合,以增强深度卷积神经网络(DCNN)的鲁棒性。实验证明,采用 BEFB 的集成模型在面对多种攻击时具有更高的分类准确性,并且具备了轻量化和不对训练造成负面影响的特点。该研究首次表明通过结合形状类特征和纹理特征可以增强 DCNN 的鲁棒性。
Feb, 2024
使用边缘检测技术提取车牌的方法,研究了基于像素或基于像素集的边缘检测算法在嘈杂和干净环境中的号牌提取效果,并以 MATLAB 2017b 和 Pratt 图像优劣为性能度量指标进行了实验验证。
Feb, 2024