2023-08-24 Meeting #5

TODO

1. Noņemt no validation tabulas Mef-SIMM, Jauno Sturctural metric neizmantot apmācībā, bet tikai validācijā

2. Rezultātu tabula - Tava modeļa koefiecentu piemeklēšana - static scale, chroma_to_lumin (Uz giraffe dataset, SICE, giraffe+SICE ), nav saistītām apmā

3. 🟡Apmācīt SICE un pievienot tabulā rezultātu salīdzinot

4. 🔴Pievienot inference tavu metriku uz esošajiem un giraffe modeļa un datasets

5. Overleaf aprakstīt pirmo iterāciju katrā nodaļā salikt sarakstus ar informāciju (vēlāk sarakstus ar chatgpt var pārvērst tekstā). Invite nosūtīts: https://www.overleaf.com/project/64a8313ca6fdbb1926845d02

6. 🔴 Pievienot overleaf pusedo code tavai metrikai

7. Pievienot nodaļu “Sistemātiksā literatūras analīze” šādā stilā aprakstīt pa vairākām tabulām rezultātus

8. SLR par metrikām atlikt uz vēlēku laiku

ChatGPT piemērs

​x
11
1
"Vēl sniegts ieskats jaunievestajā modelī. Aprakstīt modeļus/risinājumus, uz kā tiek balstīts izveidotais modelis, paskaidrot tehniskās nianses, kāpēc kādas lietas tika saglabātas un kāpēc kādas lietas tika atmestas, lai varētu izveidot šo modeli.
2

3
Sniegt ieskatu "jaunā" metrikā. Tur ir pavisam niecīga izmaiņa, to varētu arī nosaukt par potenciāli negatīvu pienesumu, kas man nepavisam nav nepieciešams. MEF-SSIM, kas izmanto pilnos ievades datus, principā, ir doma šādi to pozicionēt.
4

5
Salīdzināšanas protokols
6
\begin{itemize}
7
    \item Kurus modeļus izvēlējās un kāpēc? (Galvenokārt ML modeļus, jo pret klasiskajiem nebūtu godīgi, tie vienkārši tiek iznīcināti)
8
    \item Kādas metrikas tiek izvēlētas un kāpēc? (Būtībā, no No-Reference ir MEF-SSIM un "full structure" MEF-SSIM) [No full-reference ir jāpaņem dažādas metrikas, kas darbojas dažādi, kā arī ir jāsaprot atsevišķām metrikām, kas ir labāks: lielāks vai mazāks rezultāts. Jo to nebija baigi viegli saprast, kad veicu metriku izpēti]
9
\end{itemize}"
10

11
Rephrase 3-6 paragraphs in Latvian using "Academic Style" based on information above:

Result

xxxxxxxxxx
1
1
Jaunievestais modelis pārstāv inovatīvu pieeju doto problēmu risināšanā, būtiski balstoties uz mašīnmācīšanās algoritmiem. Šī izvēle tika veikta, ņemot vērā, ka tradicionālās metodes šajā kontekstā piedāvā zemāku efektivitāti un precizitāti. Tehniskās nianses, kas ļāva šī modeļa izveidei, ir īpaši svarīgas: dažas funkcijas un parametri tika saglabāti, jo tos uzskatīja par kritiskiem modeļa veikspējai, savukārt citi tika atmesti, lai optimizētu algoritma veiktspēju un samazinātu aprēķinu sarežģītību.
2

3
Līdzās šim modelim, tiek piedāvāta arī "jaunā" metrika, ko dēvē par MEF-SSIM, un kas izmanto pilnīgus ievades datus. Šī metrika, lai arī ar niecīgām izmaiņām, piedāvā iespēju pozicionēt modeļa efektivitāti īpašā veidā. Tā kā šī izmaiņa varētu šķist potenciāli negatīva, tā nav būtiska mūsu analīzes kontekstā.
4

5
Salīdzināšanas protokols ir viens no kritiskajiem aspektiem šī pētījuma īstenošanā. Modeli galvenokārt izvēlējās no mašīnmācīšanās domēna, jo klasiskie modeļi šādā salīdzinājumā nepiedāvā godīgu konkurenci. Metriku izvēlē lielu uzmanību pievērsa No-Reference tipa metrikām, īpaši MEF-SSIM un "full structure" MEF-SSIM. Tas tika izdarīts tāpēc, ka šīs metrikas piedāvā dažādas interpretācijas un jāsaprot, kura metrika ir labāka atkarībā no tā, vai lielāks vai mazāks rezultāts ir vēlamais. Tā kā šī bija sarežģīta uzdevuma daļa, metriku izpētē tika ieguldīts ievērojams darbs.