MétaCan
Menu
Retour à la cohorte
Enregistrement W2606250695 · doi:10.11159/icte17.111

A Study on Developing Image Processing for Smart Traffic Supporting System Based on AR

2017· article· en· W2606250695 sur OpenAlexvenueno aff
Byeong-Wook Nam, Kyungho Lee, Jung Min Lee

Notice bibliographique

RevueProceedings of the World Congress on Civil, Structural, and Environmental Engineering · 2017
Typearticle
Langueen
DomaineComputer Science
ThématiqueVisual Attention and Saliency Detection
Établissements canadiensnon disponible
Organismes subventionnairesMinistry of Trade, Industry and Energy
Mots-clésComputer scienceImage processingImage (mathematics)Computer vision

Résumé

récupéré en direct d'OpenAlex

This paper suggests a smart traffic supporting system on the vessel based on augmented reality technology. International Hydrographic Organization(IHO) adopted standard S-100 as the international standard Geographic Information System(GIS) that can be generally used in the maritime sector. The smart traffic supporting system means system that obtains the information of the real world through a camera and visualizes traffic data on the image based on S-100. At this time, there is a need for a variety of image processing techniques in order to obtain a reliable information from the image obtained through the camera. In this study, we performed the image processing that can process an image noise which is generated by the operating environment and can detect an object in order to support safe traffic. finally, we verified the technology by developing a prototype.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,748
Score d'incertitude au seuil0,724

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,248
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the World Congress on Civil, Structural, and Environmental EngineeringMême sujetVisual Attention and Saliency DetectionTravaux en français237 207