MétaCan
Menu
Retour à la cohorte
Enregistrement W2134166217 · doi:10.1117/1.602352

Eye-safe digital 3-D sensing for space applications

2000· article· en· W2134166217 sur OpenAlexaffabout
J.‐A. Beraldin

Notice bibliographique

RevueOptical Engineering · 2000
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueAdvanced Optical Sensing Technologies
Établissements canadiensNational Research Council Canada
Organismes subventionnairesNational Aeronautics and Space Administration
Mots-clésComputer scienceOptical engineeringComputer graphics (images)Computer visionRemote sensingOpticsGeologyPhysics

Résumé

récupéré en direct d'OpenAlex

This paper focuses on the characteristics and performance of an eye-safe laser range scanner (LARS) with short- and medium-range 3-D sensing capabilities for space applications. This versatile LARS is a precision measurement tool that will complement the current Canadian Space Vision System. The major advantages of the LARS over conventional video-based imaging are its ability to operate with sunlight shining directly into the scanner and its immunity to spurious reflections and shadows, which occur frequently in space. Because the LARS is equipped with two high-speed galvanometers to steer the laser beam, any spatial location within the field of view of the camera can be ad-dressed. This versatility enables the LARS to operate in two basic scan pattern modes: (1) variable-scan-resolution mode and (2) raster-scan mode. In the variable-resolution mode, the LARS can search and track targets and geometrical features on objects located within a field of view of 30 by 30 deg and with corresponding range from about 0.5 to 2000 m. The tracking mode can reach a refresh rate of up to 130 Hz. The raster mode is used primarily for the measurement of registered range and intensity information on large stationary objects. It allows, among other things, target-based measurements, feature-based measurements, and surface-reflectance monitoring. The digitizing and modeling of human subjects, cargo payloads, and environments are also possible with the LARS. Examples illustrating its capabilities are presented.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
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: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,004
Tête enseignante GPT0,217
Écart entre enseignants0,213 · 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
GenreMéthodes

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

En bref

Citations35
Publié2000
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueOptical EngineeringMême sujetAdvanced Optical Sensing TechnologiesTravaux en français237 207