MétaCan
Menu
Retour à la cohorte
Enregistrement W2131206886 · doi:10.1123/jab.26.1.104

Accuracy of 3-D Reconstruction with Occlusions

2010· article· en· W2131206886 sur OpenAlexaff
Mickaël Begon, Patrick Lacouture

Notice bibliographique

RevueJournal of Applied Biomechanics · 2010
Typearticle
Langueen
DomaineComputer Science
ThématiqueOptical measurement and interference techniques
Établissements canadiensUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésArtificial intelligenceComputer visionInterpolation (computer graphics)Filter (signal processing)KinematicsMathematicsComputer scienceIterative reconstructionMotion (physics)

Résumé

récupéré en direct d'OpenAlex

A marker has to be seen by at least two cameras for its three-dimensional (3-D) reconstruction, and the accuracy can be improved with more cameras. However, a change in the set of cameras used in the reconstruction can alter the kinematics. The purpose of this study was to quantify the harmful effect of occlusions on two-dimensional (2-D) images and to make recommendations about the signal processing. A reference kinematics data set was collected for a three degree-of-freedom linkage with three cameras of a commercial motion analysis system without any occlusion on the 2-D images. In the 2-D images, some occlusions were artificially created based on trials of real cyclic motions. An interpolation of 2-D trajectories before the 3-D reconstruction and two filters (Savitsky-Golay and Butterworth filters) after reconstruction were successively applied to minimize the effect of the 2-D occlusions. The filter parameters were optimized by minimizing the root mean square error between the reference and the filtered data. The optimal parameters of the filters were marker dependent, whereas no filter was necessary after a 2-D interpolation. As the occlusions cause systematic error in the 3-D reconstruction, the interpolation of the 2-D trajectories is more appropriate than filtering the 3-D trajectories.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,488
Score d'incertitude au seuil0,215

Scores Codex et Gemma par catégorie

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

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 Opus0,013
Tête enseignante GPT0,237
Écart entre enseignants0,223 · 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 tête enseignante, 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

Citations2
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Applied BiomechanicsMême sujetOptical measurement and interference techniquesTravaux en français237 207