Calibration of a Multi-Modal 3D Scanner
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
Collecting dense range measurements in uncontrolled environments is a challenging problem as lighting and surfaces' texture significantly influence the quality of the measurements. Instead of concentrating on improving a specific type of range sensors, the overall quality of the sensing can also be enhanced through the development of a mechanism that combines various range sensing technologies to form a multi-modal range sensor. Although many different multi-modal systems have been investigated, the problem of merging datasets have hinder engineers from producing unified data. Two major approaches have been used to rectify this problem: system calibration of the multi-modal system and data fitting of all datasets into a single model, which the latter is more widely used. The lack of multi-modal system calibration approaches is due to their complicated and lengthy nature, where individual calibration approaches must be applied to each subsystem and then applied between subsystems of the multi-modal range sensor. To alleviate the problems in multi-modal system calibration, straightforward and generic guidelines for calibration are defined and applied to an in-house multi-modal system built from a laser range finder system, two active triangulation systems using structured lighting, and a stereovision system. This paper addresses the system's intra- and inter-calibration processes and presents renderings of datasets collected with the calibrated multi-modal range sensor without the use of data fitting. From these results, the potential benefits of multi-modal calibration that reduces the need of data fitting and the advantages of merging subsystem's strengths to complement other subsystem's weaknesses are put in evidence
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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