MétaCan
Menu
Retour à la cohorte
Enregistrement W1984534875 · doi:10.1109/icves.2012.6294298

The effect of Time-of-Flight camera integration time on vehicle driver head pose tracking accuracy

2012· article· en· W1984534875 sur OpenAlexaff
Nima Ziraknejad, Peter D. Lawrence, D.P. Romilly

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueAdvanced Optical Sensing Technologies
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésTorsoComputer visionOrientation (vector space)Computer scienceDistractionArtificial intelligenceAdvanced driver assistance systemsHead (geology)Head-up displayTracking (education)Position (finance)Compensation (psychology)Simulation

Résumé

récupéré en direct d'OpenAlex

Vehicle active safety and driver assistance systems could derive substantial benefit from advanced sensory devices providing quantitative information about the position and orientation of the driver including the driver's head. Several important applications of this information are Active Head Restraint Systems (AHRS) for whiplash mitigation, driver awareness and fatigue detection, and driver distraction detection. This paper examines how a Time-of-Flight (ToF) camera can be used to obtain an accurate measurement of the driver's head position and orientation through the analysis of real-time depth and intensity images of the driver's upper torso and head. A novel technique for using local image intensity compensation has been proposed and experimentally evaluated.

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,021
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,021
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,274
Écart entre enseignants0,265 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Optical Sensing TechnologiesTravaux en français237 207