MODELLING WIDE-ANGLE LENS CAMERAS FOR METROLOGY AND MAPPING APPLICATIONS
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
Abstract. Wide-angle lenses typically offer fields of view greater than 70°, which are utilized in a variety of imaging, mapping, and navigation applications. Wide-angle lenses are commonly modelled using the central perspective model, compensating for lens distortions through a series of additional parameters. The more extreme the distortions, the further the reality of the lens matches the collinearity equations that define the central perspective model. Fisheye lenses are modelled differently because their fields of view are so wide (typically 180°) that the collinearity model is not applicable. This work studied the effects of modelling wide-angle lenses using both the conventional central perspective model and the fisheye model to determine which model best fits the observations and models the distortions more precisely and accurately. These results were produced by generating observations in a dedicated indoor calibration facility at the University of Calgary: an 11 m × 11 m × 4 m field comprising 291 signalized photogrammetry targets. Multiple free-network, self-calibrating bundle adjustments were performed using different models and different cameras. The results of the self-calibrating bundle adjustments were then utilized in a check adjustment on independent sets of check images to validate their accuracy. Two cameras, a Ladybug5 and a GoPro Hero5, were tested. The GoPro was also calibrated using a checkerboard target pattern, and the results were compared to those of the 3D calibration target-field. The results of the bundle adjustments determined that the fisheye model describes the distortions more precisely in both wide-angle camera systems.
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 | 0,000 |
| 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 | 0,000 | 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