Gesture Analysis of radiodrum data
Notice bibliographique
Résumé
The radiodrum is a virtual controller/interface that has existed in various forms since its initial design at Bell Laboratories in the 1980’s, and it is still being developed. It is a percussion instrument, while at the same time an abstract 3D gesture/position sensor. There are two main modalities of the instrument that are used by composers and performers: the first is similar to a percussive interface, where the performer hits the surface, and the instrument reports position (x,y,z) and velocity (u) of the hit; thereby it has 6 degrees of freedom. The other mode, which is unique to this instrument (at least in the domain of percussive interfaces), is moving the sticks in the space above the pad, whereby the instrument also reports (x,y,z) position in space above the surface. In this paper we describe techniques for identifying different gestures using the Radio Drum, which could include signals like a circle or square, or other physically intuitive gestures, like the pinch-to-zoom metaphor used on mobile devices such as the iPhone. Two approaches to gesture analysis are explored. The first one is based on feature classification using support vector machines and the second is using Dynamic Time Warping. By allowing users to interact with the system using a complex set of gestures, we have produced a system that will allow for a richer vocabulary for composers and performers of electro-acoustic music. These techniques and vocabulary are useful not only for this particular instrument, but can be modified for other 3D sensors.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 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 ».