KinectScenes: Robust Real-Time RGB-D Fusion for Animal Behavioural Monitoring
Notice bibliographique
Résumé
Animal Behavioural Monitoring requires near real-time and robust scene information. State of art methods to construct a complete RGB-D video of a scene are typically slow, or done offline and often both computationally and monetarily expensive. In this paper, we present a near real-time method called KinectScenes that fuses N RGB-D point clouds acquired from statically positioned commodity hardware to reconstruct large & complete dynamic 3D scenes. Specifically, we introduce a pipeline that fuses RGB-D sensor data to generate a spatio-temporal coherent 3D free viewpoint video with near 360° purview -- only limited by the number and placement of the sensors. KinectScenes differentiates from existing state of art in that 1. It is near real-time: 7~15 fps, and 2. It remains unperturbed to minute motion of the static sensors. In addition, we contribute a new dataset of RGB-D scenes to the research community as to enable rapid progress for behavioral tracking research. Applications include precise human and animal behavioral tracking, inexpensive VR scene generation, object recognition and interaction. Early results demonstrate that KinectScenes is both efficient in near real-time and can densely and richly reconstruct a given dynamic scene using 3 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 | 0,000 | 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 ».