1,720,971 research outputs found
Non-convex super-resolution of oct images via sparse representation
Get PDFWe propose a non-convex variational model for the superresolution
of Optical Coherence Tomography (OCT) images
of the murine eye, by enforcing sparsity with respect to suitable
dictionaries learnt from high-resolution OCT data. The
statistical characteristics of OCT images motivate the use of
-stable distributions for learning dictionaries, by considering
the non-Gaussian case, = 1. The sparsity-promoting cost
function relies on a non-convex penalty - Cauchy-based or
Minimax Concave Penalty (MCP) - which makes the problem
particularly challenging. We propose an efficient algorithm
for minimizing the function based on the forward-backward
splitting strategy which guarantees at each iteration the existence
and uniqueness of the proximal point. Comparisons
with standard convex `1-based reconstructions show the better
performance of non-convex models, especially in view of
further OCT image analysis
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
Quelques stratégies pour traiter des problèmes variationnels non convexes en traitement d'images
No full textNon-convexity is one of the most prominent challenges in variational model-based formulations of large-scale inverse problems. It can be inherent in the problem formulation or be induced by the choice of specific model functions which are supposed to better encode the a priori information on the solution. Effective strategies need hence to be adopted with the aim of defining convergence guarantees and convergence proofs to local (or ideally global) optima for iterative methods. In this thesis, we investigate a variational, a geometric, and an analytic approach to address non-convexity in the context of inverse problems arising in computer vision and signal processing.First, we look at a class of approaches that rely on the idea of building convex surrogate functions for the considered objective function. We propose a non-convex form of Directional Total Variation regularisation for image denoising, which falls into the class of the Convex-Non-Convex approaches. These methods use parametric non-convex regularisers whose non-convexity can be adjusted so that the total objective function, consisting of a strongly convex data fidelity term and a non-convex regularisation term, is convex. We address the resulting minimisation problem with a primal-dual algorithm and, by numerical simulations, we show that the proposed model combines the best traits of non-convex and directional regularisation.In the second part of the thesis, we tackle a fully non-convex problem and exploit the famous Kurdyka-Łojasiewicz inequality to prove the convergence of an inexact proximal alternating minimisation scheme called P-SASL-PAM. The problem we consider is an original variational formulation that we propose to model the joint image reconstruction/feature extraction problem, which generalises the joint image deblurring/segmentation problem. The proposed P-SASL-PAM involves inexact proximal computations and mixes both standard and linearised steps to efficiently exploit the structure of the problem and the regularity of the involved functions. It also includes variable metrics for acceleration. We test our framework in the context of non-blind joint deblurring/segmentation of ultrasound images. Our variational model yields comparable results to other variational and Bayesian approaches in the field.The last part of the thesis focuses on weakly convex functions and the related notion of proximal subdifferentials. We start by showing a sum rule for the proximal ɛ-subdifferential of the sum of two weakly convex functions and then we use it to define a relation between a notion of inexact proximal points and the proximal ɛ-subdifferentials of a weakly convex function. Then, we study a (possibly inexact) forward-backward algorithm for solving weakly convex problems and use an assumption of sharpness for the objective function to establish a linear convergence result. Finally, we consider feasibility problems that involve weakly convex functions and show numerical simulations in the context of discrete tomography.La non-convexité est l'un des défis les plus importants rencontrés dans les formulations variationnelles de problèmes inverses à grande échelle. Elle peut être inhérente à la formulation du problème ou induite par le choix de modèles spécifiques qui sont censés mieux encoder l'information a priori sur la solution. Des stratégies efficaces doivent donc être adoptées pour définir des garanties de convergence vers des optima locaux (ou idéalement globaux) des méthodes itératives. Dans cette thèse, nous étudions une approche variationnelle, une approche géométrique et une approche analytique pour traiter la non-convexité dans le contexte des problèmes inverses survenant en vision par ordinateur et en traitement du signal.Tout d'abord, nous examinons une classe d'approches qui s'appuient sur l'idée de construire des fonctions de substitution convexes à la fonction objective considérée. Dans le cadre du débruitage d'images, nous proposons une forme non convexe de régularisation par variation totale directionnelle, qui appartient à la classe des approches Convexes-Non-Convexes. Ces méthodes utilisent des régularisateurs paramétriques non-convexes dont la non-convexité peut être ajustée de manière à ce que la fonction objectif totale, composée d'un terme de fidélité fortement convexe et d'un terme de régularisation non-convexe, soit convexe. Nous traitons le problème de minimisation résultant avec un algorithme primal-dual. Par des simulations numériques, nous montrons que le modèle proposé combine les avantages de la régularisation non-convexe et de la régularisation directionnelle.Dans la deuxième partie de la thèse, nous abordons un problème entièrement non-convexe et nous exploitons la célèbre inégalité de Kurdyka-Łojasiewicz pour démontrer la convergence d'un schéma de minimisation alterné proximal inexact appelé P-SASL-PAM. Le problème que nous considérons correspond à une formulation variationnelle originale modélisant le problème conjoint de reconstruction d'images et d'extraction de caractéristiques. Ce problème généralise celui de restauration et de segmentation d'images conjointes. L'algorithme P-SASL-PAM proposé réalise des calculs proximaux inexacts et mélange des étapes standard et linéarisées pour exploiter efficacement la structure du problème et la régularité des fonctions impliquées. Il inclut également des accélération à l'aide de métriques variables. Nous testons notre cadre dans le contexte de la restauration/segmentation non aveugle d'images ultrasonores. Notre modèle variationnel fournit des résultats comparables à d'autres approches variationnelles et bayésiennes dans le domaine.La dernière partie de la thèse se concentre sur les fonctions faiblement convexes et la notion connexe de sous-différentiel proximal. Nous commençons par établir une règle de sommation pour le ɛ-sous-différentiel proximal de la somme de deux fonctions faiblement convexes et nous l'utilisons ensuite pour définir un lien entre une notion de points proximaux inexacts et les ɛ-sous-différentiels proximaux d'une fonction faiblement convexe. Ensuite, nous étudions un algorithme forward-backward (éventuellement inexact) pour résoudre les problèmes faiblement convexes et nous utilisons une hypothèse d'acuité ("sharpness") pour la fonction objectif afin d'établir un résultat de convergence linéaire. Enfin, nous considérons des problèmes de faisabilité qui emploient des fonctions faiblement convexes et présentons des simulations numériques dans le contexte de la tomographie discrète
Quelques stratégies pour traiter des problèmes variationnels non convexes en traitement d'images
No full textNon-convexity is one of the most prominent challenges in variational model-based formulations of large-scale inverse problems. It can be inherent in the problem formulation or be induced by the choice of specific model functions which are supposed to better encode the a priori information on the solution. Effective strategies need hence to be adopted with the aim of defining convergence guarantees and convergence proofs to local (or ideally global) optima for iterative methods. In this thesis, we investigate a variational, a geometric, and an analytic approach to address non-convexity in the context of inverse problems arising in computer vision and signal processing.First, we look at a class of approaches that rely on the idea of building convex surrogate functions for the considered objective function. We propose a non-convex form of Directional Total Variation regularisation for image denoising, which falls into the class of the Convex-Non-Convex approaches. These methods use parametric non-convex regularisers whose non-convexity can be adjusted so that the total objective function, consisting of a strongly convex data fidelity term and a non-convex regularisation term, is convex. We address the resulting minimisation problem with a primal-dual algorithm and, by numerical simulations, we show that the proposed model combines the best traits of non-convex and directional regularisation.In the second part of the thesis, we tackle a fully non-convex problem and exploit the famous Kurdyka-Łojasiewicz inequality to prove the convergence of an inexact proximal alternating minimisation scheme called P-SASL-PAM. The problem we consider is an original variational formulation that we propose to model the joint image reconstruction/feature extraction problem, which generalises the joint image deblurring/segmentation problem. The proposed P-SASL-PAM involves inexact proximal computations and mixes both standard and linearised steps to efficiently exploit the structure of the problem and the regularity of the involved functions. It also includes variable metrics for acceleration. We test our framework in the context of non-blind joint deblurring/segmentation of ultrasound images. Our variational model yields comparable results to other variational and Bayesian approaches in the field.The last part of the thesis focuses on weakly convex functions and the related notion of proximal subdifferentials. We start by showing a sum rule for the proximal ɛ-subdifferential of the sum of two weakly convex functions and then we use it to define a relation between a notion of inexact proximal points and the proximal ɛ-subdifferentials of a weakly convex function. Then, we study a (possibly inexact) forward-backward algorithm for solving weakly convex problems and use an assumption of sharpness for the objective function to establish a linear convergence result. Finally, we consider feasibility problems that involve weakly convex functions and show numerical simulations in the context of discrete tomography.La non-convexité est l'un des défis les plus importants rencontrés dans les formulations variationnelles de problèmes inverses à grande échelle. Elle peut être inhérente à la formulation du problème ou induite par le choix de modèles spécifiques qui sont censés mieux encoder l'information a priori sur la solution. Des stratégies efficaces doivent donc être adoptées pour définir des garanties de convergence vers des optima locaux (ou idéalement globaux) des méthodes itératives. Dans cette thèse, nous étudions une approche variationnelle, une approche géométrique et une approche analytique pour traiter la non-convexité dans le contexte des problèmes inverses survenant en vision par ordinateur et en traitement du signal.Tout d'abord, nous examinons une classe d'approches qui s'appuient sur l'idée de construire des fonctions de substitution convexes à la fonction objective considérée. Dans le cadre du débruitage d'images, nous proposons une forme non convexe de régularisation par variation totale directionnelle, qui appartient à la classe des approches Convexes-Non-Convexes. Ces méthodes utilisent des régularisateurs paramétriques non-convexes dont la non-convexité peut être ajustée de manière à ce que la fonction objectif totale, composée d'un terme de fidélité fortement convexe et d'un terme de régularisation non-convexe, soit convexe. Nous traitons le problème de minimisation résultant avec un algorithme primal-dual. Par des simulations numériques, nous montrons que le modèle proposé combine les avantages de la régularisation non-convexe et de la régularisation directionnelle.Dans la deuxième partie de la thèse, nous abordons un problème entièrement non-convexe et nous exploitons la célèbre inégalité de Kurdyka-Łojasiewicz pour démontrer la convergence d'un schéma de minimisation alterné proximal inexact appelé P-SASL-PAM. Le problème que nous considérons correspond à une formulation variationnelle originale modélisant le problème conjoint de reconstruction d'images et d'extraction de caractéristiques. Ce problème généralise celui de restauration et de segmentation d'images conjointes. L'algorithme P-SASL-PAM proposé réalise des calculs proximaux inexacts et mélange des étapes standard et linéarisées pour exploiter efficacement la structure du problème et la régularité des fonctions impliquées. Il inclut également des accélération à l'aide de métriques variables. Nous testons notre cadre dans le contexte de la restauration/segmentation non aveugle d'images ultrasonores. Notre modèle variationnel fournit des résultats comparables à d'autres approches variationnelles et bayésiennes dans le domaine.La dernière partie de la thèse se concentre sur les fonctions faiblement convexes et la notion connexe de sous-différentiel proximal. Nous commençons par établir une règle de sommation pour le ɛ-sous-différentiel proximal de la somme de deux fonctions faiblement convexes et nous l'utilisons ensuite pour définir un lien entre une notion de points proximaux inexacts et les ɛ-sous-différentiels proximaux d'une fonction faiblement convexe. Ensuite, nous étudions un algorithme forward-backward (éventuellement inexact) pour résoudre les problèmes faiblement convexes et nous utilisons une hypothèse d'acuité ("sharpness") pour la fonction objectif afin d'établir un résultat de convergence linéaire. Enfin, nous considérons des problèmes de faisabilité qui emploient des fonctions faiblement convexes et présentons des simulations numériques dans le contexte de la tomographie discrète
koamabayili/VECTRON-author-checklist: VECTRON author checklist
No full textWe have done our best to complete the author checklist relating to the use of animals in the hut study. Note that the objective for the hut study was to evaluate the IRS treatment applications for residual efficacy against Anopheles mosquitoes, including the local An. coluzzii mosquito population. Cows were only used to attract mosquitoes into the huts and no tests were carried out directly on the cows. The author checklist is intended for use with studies where experiments are carried out on animals, which is why we have had such difficulty in completing this for the hut study, as many of the questions do not relate to how the cows were used
- …
