3D Reconstruction of Unstructured Objects Using Information From Multiple Sensors
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
The Structure-from-Motion (SfM) algorithm is widely used for point cloud reconstruction. However, one drawback of conventional SfM based methods is that the obtained final point sets may contain holes and noise, which could degrade the estimation of reconstructed objects especially for smooth surfaces with few features. The other drawback is the accuracy and speed of SfM based methods depend on the uncertain number of images. To overcome these limitations, this paper proposes a novel 3D reconstruction method for unstructured objects based on the structure from motion in combination with the structured light, in which the point sets of structured light and the point sets of structure from motion can come from different target objects. Since the two point sets coming from multiple sensors do not scale well for register, making it difficult to find corresponding points, a scaled principal component analysis algorithm is proposed for the registration to overcome the impact due to large scale variance. With a large scale factor, a recalculated registration center is proposed via feature region segmentation to achieve point cloud registration again. The two point sets are matched using the proposed optimization method to complete 3D reconstruction. Surface reconstruction is performed using the Poisson algorithm to obtain a smooth surface. The proposed method is tested on some simple structured objects and real-life data of complex unstructured objects collected using range sensors. Compared with several state-of-the-art algorithms, experimental results confirm its potential for surface reconstruction from depth data calculated from the two sets.
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 | 0,000 | 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 découle