ExoNet Database: Open-Source Wearable Camera Images of Human Locomotion Environments
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
Recent advances in robotic vision and artificial intelligence have enabled researchers to develop environment recognition systems for lower-limb exoskeletons and prostheses. However, insufficient and private training databases have impeded the widespread development and dissemination of image classification algorithms for environment recognition. To address these shortcomings, we have developed “ExoNet”, the first open-source large-scale hierarchical database of high-resolution wearable camera images of human locomotion environments. Unparalleled in both scale and diversity, ExoNet comprises over 5.6 million images of different indoor and outdoor real-world walking environments, collected using a lightweight wearable smartphone camera system throughout summer, autumn, and winter seasons. Approximately 940,000 images in ExoNet were human-annotated using a 12-class hierarchical classification architecture. Available publicly through IEEE DataPort, ExoNet offers an unprecedented communal platform for training, developing, and comparing image classification algorithms for next-generation environment recognition systems. Beyond the control of robotic lower-limb exoskeletons and prostheses, applications of ExoNet extend to humanoid and autonomous legged robotics.Reference: Laschowski B, McNally W, Wong A, and McPhee J. (2020). ExoNet Database: Open-Source Wearable Camera Images of Human Locomotion Environments. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Under Review.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,036 |
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