AUTOMATED DETECTION, LOCALIZATION, AND IDENTIFICATION OF SIGNALIZED TARGETS AND THEIR IMPACT ON DIGITAL CAMERA CALIBRATION
Notice bibliographique
Résumé
The increased resolution and reduced cost of commercially-available digital cameras have led to their use in close range and low-altitude airborne photogrammetric operations. In addition, the widespread adoption of Mobile Mapping and Unmanned Aerial Vehicle systems in various applications increased the demand for 3D reconstruction using Medium-Format Digital Cameras (MFDCs). The interest of professionals who might lack photogrammetric expertise mandates the development of automated procedures, especially camera calibration, for the manipulation of digital imaging systems. This paper deals with an investigation of the type of signalized targets that can be economically prepared while lending themselves to reliable detection and precise localization in the captured imagery. More specifically, checkerboard and circular targets are evaluated. Efficient techniques are introduced for their automated detection and localization as well as semi-automated identification. The impact of the proposed approaches on the quality of derived IOPs is quantified using similarity measures, which evaluate the degree of similarity of the reconstructed bundles from these IOPs. The experimental results show that automated localization of checkerboard and circular targets yield consistent IOPs. However, the detection and localization of checkerboard targets are easier and more robust to the quality of the involved imagery. Therefore, checkerboard targets are recommended as the target of choice for digital camera calibration.
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 ».