摘要翻译：
本文研究了Tsallis熵与经典的Boltzmann-Gibbs-Shannon熵在图像模式分类中的应用。给定一个包含40个模式类的数据库，目标是确定给定图像样本的类。实验结果表明，Tsallis熵在不同Q$指数的特征向量中的编码比Boltzmann-Gibbs-Shannon熵在模式分类中有很大的优势，识别率提高了3倍。我们讨论了这一成功背后的原因，揭示了Tsallis熵的有用性。
---
英文标题：
《Multi-q Analysis of Image Patterns》
---
作者：
Ricardo Fabbri, Wesley N. Gon\c{c}alves, Francisco J. P. Lopes, Odemir
  M. Bruno
---
最新提交年份：
2011
---
分类信息：

一级分类：Physics        物理学
二级分类：Data Analysis, Statistics and Probability        数据分析、统计与概率
分类描述：Methods, software and hardware for physics data analysis: data processing and storage; measurement methodology; statistical and mathematical aspects such as parametrization and uncertainties.
物理数据分析的方法、软硬件：数据处理与存储；测量方法；统计和数学方面，如参数化和不确定性。
--
一级分类：Computer Science        计算机科学
二级分类：Artificial Intelligence        人工智能
分类描述：Covers all areas of AI except Vision, Robotics, Machine Learning, Multiagent Systems, and Computation and Language (Natural Language Processing), which have separate subject areas. In particular, includes Expert Systems, Theorem Proving (although this may overlap with Logic in Computer Science), Knowledge Representation, Planning, and Uncertainty in AI. Roughly includes material in ACM Subject Classes I.2.0, I.2.1, I.2.3, I.2.4, I.2.8, and I.2.11.
涵盖了人工智能的所有领域，除了视觉、机器人、机器学习、多智能体系统以及计算和语言（自然语言处理），这些领域有独立的学科领域。特别地，包括专家系统，定理证明（尽管这可能与计算机科学中的逻辑重叠），知识表示，规划，和人工智能中的不确定性。大致包括ACM学科类I.2.0、I.2.1、I.2.3、I.2.4、I.2.8和I.2.11中的材料。
--
一级分类：Computer Science        计算机科学
二级分类：Computer Vision and Pattern Recognition        计算机视觉与模式识别
分类描述：Covers image processing, computer vision, pattern recognition, and scene understanding. Roughly includes material in ACM Subject Classes I.2.10, I.4, and I.5.
涵盖图像处理、计算机视觉、模式识别和场景理解。大致包括ACM课程I.2.10、I.4和I.5中的材料。
--
一级分类：Physics        物理学
二级分类：Computational Physics        计算物理学
分类描述：All aspects of computational science applied to physics.
应用于物理学的计算科学的各个方面。
--

---
英文摘要：
  This paper studies the use of the Tsallis Entropy versus the classic Boltzmann-Gibbs-Shannon entropy for classifying image patterns. Given a database of 40 pattern classes, the goal is to determine the class of a given image sample. Our experiments show that the Tsallis entropy encoded in a feature vector for different $q$ indices has great advantage over the Boltzmann-Gibbs-Shannon entropy for pattern classification, boosting recognition rates by a factor of 3. We discuss the reasons behind this success, shedding light on the usefulness of the Tsallis entropy.
---
PDF链接：
https://arxiv.org/pdf/1112.6371