Two cameras can be as good as four for markerless hand tracking during simple finger movements
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
Recording and quantifying hand and finger movement is essential for understanding the neuromechanical control of the hand. Typically, kinematics are collected through marker-based optoelectronic motion capture systems. However, marker-based systems are time-consuming to setup, expensive, and cumbersome, especially for finger tracking. Advances in markerless systems have potential to overcome these limitations, as demonstrated by recent applications in lower extremity biomechanics research. In this work, we aimed to integrate markerless systems for hand biomechanics research by combining open source markerless motion capture pipelines (MediaPipe and Anipose) and investigating the number of cameras required for tracking single finger flexion-extension movements. Finger movements were recorded at three different speeds (0.50, 0.75, 1 Hz) for each of the instructed fingers (index, middle, ring, little) using 4 webcams. Finger joint angles were compared when using all 4 webcams for triangulating 3D hand key points versus all 2- and 3-camera subset combinations. The number of cameras was found to affect joint angles, with differences up to 20° when using 2 or 3 cameras compared to using all 4 cameras. However, we found some 2-camera orientations had minimal differences compared to using all 4 cameras (< 4° difference for the sum of finger [metacarpal, proximal interphalangeal, and distal phalangeal] joint angles). Thus, there can be little to no benefit of adding more than 2 cameras for 3D markerless tracking of the hand during single finger flexion-extension with optimal camera placement.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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