Notice bibliographique
Résumé
Dans cette thèse, nous appliquons une technique d’apprentissage automatique à la predictionde mouvements humains. L’objectif est d’utiliser un nombre réduit de marqueursqui captent les mouvements. Cette problématique est souvent rencontrée dans les productionsoù les marqueurs sont cachés, mal étiquetés ou bruités. Nous cherchons un sous-ensemblede marqueurs de capture de mouvements capables de fournir une prédictionrapide et de haute qualité pour le mouvement des articulations humaines. La difficultéd’enregistrer et de suivre le mouvement d’un acteur dans ce contexte provient souventde l’environnement dans lequel la capture se déroule. En effet, un éclairage puissant etvarié, des générateurs de fumée et d’autres pollutions visuelles font souvent partie desspectacles, conduisant à des systèmes de capture de mouvement encombrants et coûteux.Néanmoins, l’integration de ces effets de capture de mouvements a suscité un engouementimportant dans les productions, mais aucune des techniques de pointe ne peut gérerde tels environnements avec peu de marqueurs.Nos principales contributions sont les suivantes. Tout d’abord, nous sélectionnons dessous-ensembles de marqueurs qui fournissent des informations complètes sur le mouvementen comparant différentes approches automatiques. Ensuite, nous développonsune méthode de prédiction de mouvements robuste pour des ensembles de marqueursréduits. De la sorte, nous implémentons un réseau de débruitage profond, un algorithmed’apprentissage en profondeur qui compense le bruit et la latence de certains systèmes.Enfin, nous fournissons une procédure complète pour le nettoyage des données, l’algorithmede prédiction et la reconstruction des mouvements
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».