Analysis of different color recognition methods for active markers in a motion capture system
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 article focuses on a method for reliably identify moving colored artificial markers in real-time. The marker was used to determine the 3D position in the space of the user(s). The goal was to ensure that points were found and identified predictably and reliably by many cameras simultaneously, which, with appropriate calibration, merging, and processing of the data, could provide reliable information about the current 3D position of a given point in real-time. This information was crucial to other components of the broader vision system (VR platform). The problems encountered and the remedial methods discussed in the presentation concern several aspects that we encountered during research, such as changes in lighting conditions, the quality (and stability) of the generated light and color, the dependence of color recognition on the distance of the light source from the camera matrix, aspects of light reflections, and many others. During our research, we analyzed various RGB/RGBW LED light sources from different manufacturers, which are characterized by different light generation characteristics. We also used a light diffuser. Using different sets of cameras and lighting conditions, we conducted several studies and experiments. During the research, we managed to find basic colors for our marker-tracking visual system that met the goals. We have proposed an algorithm to deal with the problem and demonstrate the reliability of the visual layout with the algorithm. During our research, we used both conventional and alternative techniques related to ML.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,009 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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