Notice bibliographique
Résumé
In computer vision and graphics as well as in mobile robotics one is often interested in capturing 3D real world scenes. In the former, models are captured for such purposes as photorealistic rendering. In the latter, models are captured to generate navigation maps for robot control. The objective in both fields is similar: How can the modeling of existing scenes be achieved? This thesis investigates alternative ways of capturing the geometry and appearance of an indoor environment by using image-based modeling. Calibrated and uncalibrated methods are investigated and contrasted. The resulting models are validated by utilizing them in two robotics tasks. We first use the model as a navigation map to localize the pose of a robot and to track its motion based on images from a camera fitted on the robot. Second, we generate synthetic images by reprojecting and texturing the captured model given a desired camera pose. The first approach is based on a panoramic image mosaic augmented with depth information and is built using calibrated cameras and range sensors (a trinocular device and a laser range-finder). Several methods for registering camera and range sensors were developed and compared. The model is segmented into planar pieces that can be reprojected in new positions. The second approach uses an uncalibrated camera that samples a scene. By maintaining visual tracking of corresponding feature points, the geometry of the scene is reconstructed using stratified structure from motion. The geometric model is then bundle-adjusted and reprojected into the original images to acquire surface appearance. Surface appearance is represented not using a single traditional texture, but by acquiring a basis that captures the view dependency of the surface.
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 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».