Object Recognition From Haptic Glance at Visually Salient Locations
Notice bibliographique
Résumé
Reproducing the visuo-haptic interaction demonstrated by humans to sense and interpret visual and tactile stimuli is the main motivation of this research on tactile object recognition. An enhanced model of visual attention, consisting of information about color, contrast, curvature, entropy, symmetry, intensity, and orientation is developed to assist in selection of only relevant regions to be probed over the surface of an object. We aim to demonstrate that this visual information can be successfully employed to recognize the object from local tactile data, following the idea of haptic glance exhibited by humans (i.e., object recognition by a limited number of static contacts between the object and a finger). Due to the time-consuming nature of real tactile data acquisition, the process is first simulated and tested over a set of virtual objects prior to testing it on real rigid objects. A series of classifiers is trained and tested for the object recognition task and their performance is compared in terms of accuracy. The k-nearest neighbor classifier is shown to be the most promising algorithm among the tested classifiers for the object recognition task, both for simulated data (85.42% for four objects and 76.37% for six objects) and for real tactile sensor data (66.76% for four objects and 58.97% for six objects) when single imprints are used as a basis for recognition. Employing multiple imprints for object recognition yields a 100% accuracy for support vector machines (SVM) and k-nearest neighbors (kNN) classifiers when at least four imprints are considered.
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) | 0,001 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».