Notice bibliographique
Résumé
This dissertation addresses the problem of visual place categorization, which aims at augmenting different locations in the environment visited by an autonomous robot with information that relates them to human-understandable concepts. In visual place categorization, there are two constraints that should be taken into consideration: (i) the categorical place label assigned to each location should be consistent with the observation (i.e., image) gathered at that location; and (ii) the overall labelling should be temporally coherent (i.e., the place labels assigned to consecutively visited locations should be consistent). To address both constraints together, this dissertation formulates the problem of visual place categorization in terms of energy minimization. A method based on graph cuts is used to minimize energy for a function of a data term and a temporal term. While the data term aims at assigning visual observations to a set of pre-specified place categories, the temporal term incorporates contextual evidence from neighbours to ensure that the labels vary smoothly almost everywhere while preserving discontinuities at the borders between adjacent places in the environment. For the data term, a novel context-based scene categorization method is presented that is invariant to common changes in dynamic environments (e.g., lighting condition, partial occlusion, etc.) and robust against intra-class variations. For the temporal term, a general solution is presented that incorporates statistic cues, without being restricted by constant and small neighbourhood radii, or being dependent on the actual path followed by the robot. An extensive set of experiments on several publicly available databases validates the robustness of the proposed approach in reliably labelling visual observations with place categories and efficiently incorporating contextual cues.
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 | 0,001 |
| 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 ».