Robust Joint Audio–Video Talker Localization in Video Conferencing Using Reliability Information—II: Bayesian Network Fusion
Notice bibliographique
Résumé
This paper builds on our August 2004 paper where data fusion is used to combine results from multiple audio and video localizers in order to locate a talker in video conferencing applications. The two studies differ in the type of data fusion engine used. The former study explored using a summing voter for data fusion, whereas this study employs a Bayesian network. The novelty of both papers is the use of reliability estimates to improve the overall localization performance and robustness. Reliability estimates, which are derived based on known physical properties of each individual localizer, were used to gauge the trustworthiness of the current localization results. These reliability estimates were introduced into the fusion engines to achieve better performance. Although the summing voter fusion engine used in improves the overall localization performance, it does not take into account the unique characteristics of each localizer. The Bayesian network allows the inclusion of these unique characteristics as part of the fusion process and therefore further improves the overall localization performance. When one or more localizers fails, the persistent erroneous data streams from the failed localizers can negatively affect a statistically based data fusion method, like the Bayesian network, resulting in poor localization accuracy . The study described in this paper explores the use of the reliability estimates to automatically stop the failed devices from contributing in the data fusion process, hence improving the overall robustness of the system. In this paper, we investigate the impact of 1) using a Bayesian network as the data fusion engine, 2) adding reliability estimates into the fusion engine, and 3) using reliability estimates to stop the failed localizers from contributing in the fusion process.
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 | 0,000 | 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 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 ».