Enhancing Remote Walkthrough for E-learning Environments on Mobile Devices over Heterogeneous Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the growth of the Internet and availability of high bandwidth connections to domestic users, it became possible to deploy remote navigation within virtual environments over the Internet. For instance, virtual museum walkthrough, virtual mall, gaming, training, monitoring, and e-learning, just to name a few. We have also seen a new trend towards wireless networks and the use of mobile devices with wireless communication capabilities. Speci'cally, e-learning environments can bene't from remote exploration of virtual environments over wireless networks in order to provide users with rich 3D content such as virtual laboratories and remote visits where users can interact with the 3D e-learning system using mobile devices such as PDAs, cell phones, or laptops. However, the characteristics of wireless channels pose signi'cant problems to real-time interactive multimedia applications. Wireless bandwidth is always changing and the communication channel is highly susceptible to error. In this paper, we focus on the design of a remote walkthrough within realistic virtual environments over heterogeneous networks for mobile devices. We propose a real-time system that deals with the acquisition or remote geometry rendering, compression, packetization and transmission of images, which serve as input to an image-based rendering technique for fast creation of new views on the mobile client device. The objective is to contribute with a solution for remote walkthrough over wireless networks, while guaranteeing a good image quality and navigation at acceptable frame rates on thin client devices.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle