1,720,968 research outputs found
Estimation bayésienne des paramètres du spectre multifractal multivarié pour le traitement du signal et des images
No full textL'analyse multifractale est devenue un outil de référence pour le traitement des signaux et des images. Fondée sur la quantification des fluctuations de la régularité locale, elle s'est avérée utile dans un nombre croissant d'applications, qui ne concernaient pourtant jusqu'à présent que des données univariées (séries temporelles à valeurs scalaires ou images acquises dans une seule bande spectrale). Récemment, les bases théoriques de l'analyse multifractale multivariée ont été élaborées, montrant un potentiel pour quantifier les dépendances entre plusieurs collections de données allant au-delà de la corrélation linéaire. Cependant, l'estimation précise des paramètres associés à un modèle multifractal multivarié reste un défi, limitant sévèrement leur utilisation réelle dans les applications. L'objectif principal de cette thèse est de proposer et d'étudier des méthodes d'analyse multifractale multivariée pour le traitement du signal et des images. Plus précisément, l'approche proposée s'appuie sur un nouveau modèle Gaussien multivarié adapté au logarithme des coefficients dominants d’ondelettes. Ce modèle utilise une approximation de la vraisemblance basée sur les résultats de Whittle et une augmentation de données pour les paramètres d'intérêt à valeurs matricielles. Ce modèle permet de construire des procédures d'estimation efficaces pour deux choix pertinents de lois a priori dans un contexte d'inférence Bayésienne. Des algorithmes basés sur des stratégies de Monte Carlo par chaines de Markov et d’Expectation-Maximization sont conçus et utilisés pour calculer les estimateurs bayésiens. Des simulations de Monte Carlo, réalisées sur des images et des signaux synthétiques multivariés avec différentes tailles d'échantillon, différents nombres de composantes et différents jeux de paramètres, montrent des améliorations significatives des performances par rapport à l'état de l'art. En outre, des limites inférieures théoriques sur la variance des estimateurs sont déterminées pour étudier le comportement asymptotique de ces estimateurs. Enfin, la pertinence du cadre d'estimation multifractale multivariée proposé est démontrée par l’application à deux exemples de données réelles : la détection de la somnolence à partir de signaux physiologiques multicanaux et l'imagerie satellitaire multispectrale.Multifractal analysis has become a reference tool for signal and image processing. Grounded in the quantification of local regularity fluctuations, it has proven useful in an increasing range of applications, yet so far involving only univariate data (scalar-valued time series or single channel images). Recently the theoretical ground for multivariate multifractal analysis has been devised, showing potential for quantifying transient higher-order dependence beyond linear correlation among collections of data. However, the accurate estimation of the parameters associated with a multivariate multifractal model remains challenging, severely limiting their actual use in applications. The main goal of this thesis is to propose and study practical contributions on multivariate multifractal analysis of signals and images. Specifically, the proposed approach relies on a novel and original joint Gaussian model for the logarithm of wavelet leaders and leverages on a Whittle-based likelihood approximation and data augmentation for the matrix-valued parameters of interest. This careful design enables efficient estimation procedures to be constructed for two relevant choices of priors using Bayesian inference. Algorithms based on Monte Carlo Markov Chain and Expectation Maximization strategies are designed and used to approximate the Bayesian estimators. Monte Carlo simulations, conducted on synthetic multivariate signals and images with various sample sizes, numbers of components and multifractal parameter settings, demonstrate significant performance improvements over the state of the art. In addition, theoretical lower bounds on the variance of the estimators are designed to study their asymptotic behavior. Finally, the relevance of the proposed multivariate multifractal estimation framework is shown for two real-world data examples: drowsiness detection from multichannel physiological signals and potential remote sensing applications in multispectral satellite imagery
Estimation bayésienne des paramètres du spectre multifractal multivarié pour le traitement du signal et des images
No full textMultifractal analysis has become a reference tool for signal and image processing. Grounded in the quantification of local regularity fluctuations, it has proven useful in an increasing range of applications, yet so far involving only univariate data (scalar-valued time series or single channel images). Recently the theoretical ground for multivariate multifractal analysis has been devised, showing potential for quantifying transient higher-order dependence beyond linear correlation among collections of data. However, the accurate estimation of the parameters associated with a multivariate multifractal model remains challenging, severely limiting their actual use in applications. The main goal of this thesis is to propose and study practical contributions on multivariate multifractal analysis of signals and images. Specifically, the proposed approach relies on a novel and original joint Gaussian model for the logarithm of wavelet leaders and leverages on a Whittle-based likelihood approximation and data augmentation for the matrix-valued parameters of interest. This careful design enables efficient estimation procedures to be constructed for two relevant choices of priors using Bayesian inference. Algorithms based on Monte Carlo Markov Chain and Expectation Maximization strategies are designed and used to approximate the Bayesian estimators. Monte Carlo simulations, conducted on synthetic multivariate signals and images with various sample sizes, numbers of components and multifractal parameter settings, demonstrate significant performance improvements over the state of the art. In addition, theoretical lower bounds on the variance of the estimators are designed to study their asymptotic behavior. Finally, the relevance of the proposed multivariate multifractal estimation framework is shown for two real-world data examples: drowsiness detection from multichannel physiological signals and potential remote sensing applications in multispectral satellite imagery.L'analyse multifractale est devenue un outil de référence pour le traitement des signaux et des images. Fondée sur la quantification des fluctuations de la régularité locale, elle s'est avérée utile dans un nombre croissant d'applications, qui ne concernaient pourtant jusqu'à présent que des données univariées (séries temporelles à valeurs scalaires ou images acquises dans une seule bande spectrale). Récemment, les bases théoriques de l'analyse multifractale multivariée ont été élaborées, montrant un potentiel pour quantifier les dépendances entre plusieurs collections de données allant au-delà de la corrélation linéaire. Cependant, l'estimation précise des paramètres associés à un modèle multifractal multivarié reste un défi, limitant sévèrement leur utilisation réelle dans les applications. L'objectif principal de cette thèse est de proposer et d'étudier des méthodes d'analyse multifractale multivariée pour le traitement du signal et des images. Plus précisément, l'approche proposée s'appuie sur un nouveau modèle Gaussien multivarié adapté au logarithme des coefficients dominants d’ondelettes. Ce modèle utilise une approximation de la vraisemblance basée sur les résultats de Whittle et une augmentation de données pour les paramètres d'intérêt à valeurs matricielles. Ce modèle permet de construire des procédures d'estimation efficaces pour deux choix pertinents de lois a priori dans un contexte d'inférence Bayésienne. Des algorithmes basés sur des stratégies de Monte Carlo par chaines de Markov et d’Expectation-Maximization sont conçus et utilisés pour calculer les estimateurs bayésiens. Des simulations de Monte Carlo, réalisées sur des images et des signaux synthétiques multivariés avec différentes tailles d'échantillon, différents nombres de composantes et différents jeux de paramètres, montrent des améliorations significatives des performances par rapport à l'état de l'art. En outre, des limites inférieures théoriques sur la variance des estimateurs sont déterminées pour étudier le comportement asymptotique de ces estimateurs. Enfin, la pertinence du cadre d'estimation multifractale multivariée proposé est démontrée par l’application à deux exemples de données réelles : la détection de la somnolence à partir de signaux physiologiques multicanaux et l'imagerie satellitaire multispectrale
Bayesian estimation of the parameters of the joint multifractal spectrum of signals and images
Get PDFMultifractal analysis has become a reference tool for signal and image processing. Grounded in the quantification of local regularity fluctuations, it has proven useful in an increasing range of applications, yet so far involving only univariate data (scalar-valued time series or single channel images). Recently the theoretical ground for multivariate multifractal analysis has been devised, showing potential for quantifying transient higher-order dependence beyond linear correlation among collections of data. However, the accurate estimation of the parameters associated with a multivariate multifractal model remains challenging, severely limiting their actual use in applications. The main goal of this thesis is to propose and study practical contributions on multivariate multifractal analysis of signals and images. Specifically, the proposed approach relies on a novel and original joint Gaussian model for the logarithm of wavelet leaders and leverages on a Whittle-based likelihood approximation and data augmentation for the matrix-valued parameters of interest. This careful design enables efficient estimation procedures to be constructed for two relevant choices of priors using Bayesian inference. Algorithms based on Monte Carlo Markov Chain and Expectation Maximization strategies are designed and used to approximate the Bayesian estimators. Monte Carlo simulations, conducted on synthetic multivariate signals and images with various sample sizes, numbers of components and multifractal parameter settings, demonstrate significant performance improvements over the state of the art. In addition, theoretical lower bounds on the variance of the estimators are designed to study their asymptotic behavior. Finally, the relevance of the proposed multivariate multifractal estimation framework is shown for two real-world data examples: drowsiness detection from multichannel physiological signals and potential remote sensing applications in multispectral satellite imagery
Estimation bayésienne des paramètres du spectre multifractal multivarié pour le traitement du signal et des images
No full textMultifractal analysis has become a reference tool for signal and image processing. Grounded in the quantification of local regularity fluctuations, it has proven useful in an increasing range of applications, yet so far involving only univariate data (scalar-valued time series or single channel images). Recently the theoretical ground for multivariate multifractal analysis has been devised, showing potential for quantifying transient higher-order dependence beyond linear correlation among collections of data. However, the accurate estimation of the parameters associated with a multivariate multifractal model remains challenging, severely limiting their actual use in applications. The main goal of this thesis is to propose and study practical contributions on multivariate multifractal analysis of signals and images. Specifically, the proposed approach relies on a novel and original joint Gaussian model for the logarithm of wavelet leaders and leverages on a Whittle-based likelihood approximation and data augmentation for the matrix-valued parameters of interest. This careful design enables efficient estimation procedures to be constructed for two relevant choices of priors using Bayesian inference. Algorithms based on Monte Carlo Markov Chain and Expectation Maximization strategies are designed and used to approximate the Bayesian estimators. Monte Carlo simulations, conducted on synthetic multivariate signals and images with various sample sizes, numbers of components and multifractal parameter settings, demonstrate significant performance improvements over the state of the art. In addition, theoretical lower bounds on the variance of the estimators are designed to study their asymptotic behavior. Finally, the relevance of the proposed multivariate multifractal estimation framework is shown for two real-world data examples: drowsiness detection from multichannel physiological signals and potential remote sensing applications in multispectral satellite imagery.L'analyse multifractale est devenue un outil de référence pour le traitement des signaux et des images. Fondée sur la quantification des fluctuations de la régularité locale, elle s'est avérée utile dans un nombre croissant d'applications, qui ne concernaient pourtant jusqu'à présent que des données univariées (séries temporelles à valeurs scalaires ou images acquises dans une seule bande spectrale). Récemment, les bases théoriques de l'analyse multifractale multivariée ont été élaborées, montrant un potentiel pour quantifier les dépendances entre plusieurs collections de données allant au-delà de la corrélation linéaire. Cependant, l'estimation précise des paramètres associés à un modèle multifractal multivarié reste un défi, limitant sévèrement leur utilisation réelle dans les applications. L'objectif principal de cette thèse est de proposer et d'étudier des méthodes d'analyse multifractale multivariée pour le traitement du signal et des images. Plus précisément, l'approche proposée s'appuie sur un nouveau modèle Gaussien multivarié adapté au logarithme des coefficients dominants d’ondelettes. Ce modèle utilise une approximation de la vraisemblance basée sur les résultats de Whittle et une augmentation de données pour les paramètres d'intérêt à valeurs matricielles. Ce modèle permet de construire des procédures d'estimation efficaces pour deux choix pertinents de lois a priori dans un contexte d'inférence Bayésienne. Des algorithmes basés sur des stratégies de Monte Carlo par chaines de Markov et d’Expectation-Maximization sont conçus et utilisés pour calculer les estimateurs bayésiens. Des simulations de Monte Carlo, réalisées sur des images et des signaux synthétiques multivariés avec différentes tailles d'échantillon, différents nombres de composantes et différents jeux de paramètres, montrent des améliorations significatives des performances par rapport à l'état de l'art. En outre, des limites inférieures théoriques sur la variance des estimateurs sont déterminées pour étudier le comportement asymptotique de ces estimateurs. Enfin, la pertinence du cadre d'estimation multifractale multivariée proposé est démontrée par l’application à deux exemples de données réelles : la détection de la somnolence à partir de signaux physiologiques multicanaux et l'imagerie satellitaire multispectrale
Estimation bayésienne des paramètres du spectre multifractal multivarié pour le traitement du signal et des images
No full textMultifractal analysis has become a reference tool for signal and image processing. Grounded in the quantification of local regularity fluctuations, it has proven useful in an increasing range of applications, yet so far involving only univariate data (scalar-valued time series or single channel images). Recently the theoretical ground for multivariate multifractal analysis has been devised, showing potential for quantifying transient higher-order dependence beyond linear correlation among collections of data. However, the accurate estimation of the parameters associated with a multivariate multifractal model remains challenging, severely limiting their actual use in applications. The main goal of this thesis is to propose and study practical contributions on multivariate multifractal analysis of signals and images. Specifically, the proposed approach relies on a novel and original joint Gaussian model for the logarithm of wavelet leaders and leverages on a Whittle-based likelihood approximation and data augmentation for the matrix-valued parameters of interest. This careful design enables efficient estimation procedures to be constructed for two relevant choices of priors using Bayesian inference. Algorithms based on Monte Carlo Markov Chain and Expectation Maximization strategies are designed and used to approximate the Bayesian estimators. Monte Carlo simulations, conducted on synthetic multivariate signals and images with various sample sizes, numbers of components and multifractal parameter settings, demonstrate significant performance improvements over the state of the art. In addition, theoretical lower bounds on the variance of the estimators are designed to study their asymptotic behavior. Finally, the relevance of the proposed multivariate multifractal estimation framework is shown for two real-world data examples: drowsiness detection from multichannel physiological signals and potential remote sensing applications in multispectral satellite imagery.L'analyse multifractale est devenue un outil de référence pour le traitement des signaux et des images. Fondée sur la quantification des fluctuations de la régularité locale, elle s'est avérée utile dans un nombre croissant d'applications, qui ne concernaient pourtant jusqu'à présent que des données univariées (séries temporelles à valeurs scalaires ou images acquises dans une seule bande spectrale). Récemment, les bases théoriques de l'analyse multifractale multivariée ont été élaborées, montrant un potentiel pour quantifier les dépendances entre plusieurs collections de données allant au-delà de la corrélation linéaire. Cependant, l'estimation précise des paramètres associés à un modèle multifractal multivarié reste un défi, limitant sévèrement leur utilisation réelle dans les applications. L'objectif principal de cette thèse est de proposer et d'étudier des méthodes d'analyse multifractale multivariée pour le traitement du signal et des images. Plus précisément, l'approche proposée s'appuie sur un nouveau modèle Gaussien multivarié adapté au logarithme des coefficients dominants d’ondelettes. Ce modèle utilise une approximation de la vraisemblance basée sur les résultats de Whittle et une augmentation de données pour les paramètres d'intérêt à valeurs matricielles. Ce modèle permet de construire des procédures d'estimation efficaces pour deux choix pertinents de lois a priori dans un contexte d'inférence Bayésienne. Des algorithmes basés sur des stratégies de Monte Carlo par chaines de Markov et d’Expectation-Maximization sont conçus et utilisés pour calculer les estimateurs bayésiens. Des simulations de Monte Carlo, réalisées sur des images et des signaux synthétiques multivariés avec différentes tailles d'échantillon, différents nombres de composantes et différents jeux de paramètres, montrent des améliorations significatives des performances par rapport à l'état de l'art. En outre, des limites inférieures théoriques sur la variance des estimateurs sont déterminées pour étudier le comportement asymptotique de ces estimateurs. Enfin, la pertinence du cadre d'estimation multifractale multivariée proposé est démontrée par l’application à deux exemples de données réelles : la détection de la somnolence à partir de signaux physiologiques multicanaux et l'imagerie satellitaire multispectrale
Going Beyond Counting First Authors in Author Co-citation Analysis
Get PDFThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Variations on the Author
Get PDF“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Get PDFWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
Dispelling the Myths Behind First-author Citation Counts
Get PDFWe conducted a full-scale evaluative citation analysis study of scholars in the XML research field to explore just how different from each other author rankings resulting from different citation counting methods actually are, and to demonstrate the capability of emerging data and tools on the Web in supporting more realistic citation counting methods. Our results contest some common arguments for the continued
use of first-author citation counts in the evaluation of scholars, such as high correlations between author rankings by first-author citation counts and other citation
counting methods, and high costs of using more realistic citation counting methods that are not well-supported by the ISI databases. It is argued that increasingly available digital full text research papers make it possible for citation analysis studies to go beyond what the ISI databases have directly supported and to employ more
sophisticated methods
- …
