seg_contingency — EMPROOF `score` op

• Datenarten: labels2d × labels2d → table

• Aufruf: import fullseye as fs; fs.ledger.seg_contingency(a, b, ignore_label=None) (die Implementierung direkt: import segcompare; segcompare.seg_contingency(a, b, ignore_label=None); aus dem Register: opsemproof.get("seg_contingency"))

Verwendung

> Für diesen Operator gibt es noch keine Übersetzung. Es folgt der Originaltext unverändert.

The contingency table of truth `a against candidate b` (sparse).

Returns `labels_a / labels_b (the distinct labels), rows / cols` (indices

into them) and `counts for every co-occurring pair, plus n` (pixels counted),

`row_sums (size of each truth object) and col_sums` (size of each candidate object).

`counts.sum() == n, row_sums.sum() == col_sums.sum() == n`.

Raises `ValueError`: non-integer, non-finite, boolean-free-but-string or masked input;

not 2-D / 3-D; empty; different shapes; every pixel ignored.

Ausführlicher Anwendungsleitfaden

• Leitfaden zur Familie emproof

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• (noch keine)

Typkompatible Folge-Operatoren (nehmen `table` als Eingabe)

seg_synapse_partners · seg_wiring_variation · seg_synapse_nri · seg_wiring_exposure

Gleiche Kategorie (`score`)

seg_variation_of_information · seg_rand

*Provenance: segcompare.py — EMPROOF Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

seg_contingency — EMPROOF score op