A Biomimetic Robotic Head Using a Model Of Ocular Tracking
Notice bibliographique
Résumé
This paper describes a biomimetic vision platform that tracks moving targets with self-generated pursuit and saccadic intervals. Extensions to the controller add image analysis capabilities that provide a measure of prediction and low-level target selection. A model for the bottom-up control of visual attention in primates is presented and experimentally tested in the platform. Given an input image, the system predicts which location in the image will automatically and unconsciously shift a person’s attention towards it. Target selection relies on the extraction of a pair of 2D feature maps based on spatial discontinuities in the modalities of intensity and velocity (brightness and slip). Both maps are then combined into a single 2D “saliency map” which encodes the desired features for each pixel in the scene, irrespective of the particular feature which detected this location as conspicuous. A winner-take-all system then detects the highest- salience point in the map at any given time, and draws the focus of attention towards this location. That allows the selection of a target in a visual scene containing multiple distractors without the need of first recognizing the objects. The intensity of the target is also embodied into the gains of the controller altering the alertness of the anthropomorphic robot with respect to the brightness of the target. The parallel observation of multiple targets and the tracking of the most salient one enhance further the biomimetic nature of the robot allowing its controller to judge the significance of a target that suddenly comes into its visual field
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 | 0,001 | 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 ».