Accuracy assessment and interpretation for optical tracking systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Highly accurate spatial measurement systems are among the enabling technologies that have made image-guided surgery possible in modern operating theaters. Assessing the accuracies of such systems is subject to much ambiguity, though. The underlying mathematical models that convert raw sensor data into position and orientation measurements of sufficient accuracy complicate matters by providing measurements having non-uniform error distributions throughout their measurement volumes. Users are typically unaware of these issues, as they are usually presented with only a few specifications based on some "representative" statistics that were themselves derived using various data reduction methods. As a result, much of the important underlying information is lost. Further, manufacturers of spatial measurement systems often choose protocols and statistical measures that emphasize the strengths of their systems and diminish their limitations. Such protocols often do not reflect the end users' intended applications very well. Users and integrators thus need to understand many aspects of spatial metrology in choosing spatial measurement systems that are appropriate for their intended applications. We examine the issues by discussing some of the protocols and their statistical measures typically used by manufacturers. The statistical measures for a given protocol can be affected by many factors, including the volume size, region of interest, and the amount and type of data collected. We also discuss how different system configurations can affect the accuracy. Single-marker and rigid body calibration results are presented, along with a discussion of some of the various factors that affect their accuracy. Although the findings presented here were obtained using the NDI Polaris optical tracking systems, many are applicable to spatial measurement systems in general.
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.
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 | 0,001 | 0,001 |
| 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 découle