The color recognition methods for the active markers in the motion capture system, using various techniques, including ML
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 \nmarker was used to determine the 3D position in the space of the user(s).\nThe goal was to ensure that points were found and identified predictably and reliably by many cameras \nsimultaneously, which, with appropriate calibration, merging, and processing of the data, could provide \nreliable information about the current 3D position of a given point in real-time. This information was \ncrucial to other components of the broader vision system (VR platform).\nThe problems encountered and the remedial methods discussed in the presentation concern several aspects \nthat we encountered during research, such as changes in lighting conditions, the quality (and stability) of \nthe generated light and color, the dependence of color recognition on the distance of the light source from \nthe camera matrix, aspects of light reflections, and many others. During our research, we analyzed various \nRGB/RGBW LED light sources from different manufacturers, which are characterized by different light \ngeneration characteristics. We also used a light diffuser. Using different sets of cameras and lighting \nconditions, we conducted several studies and experiments.\nDuring the research, we managed to find basic colors for our marker-tracking visual system that met the \ngoals. We have proposed an algorithm to deal with the problem and demonstrate the reliability of the visual \nlayout with the algorithm. During our research, we used both conventional and alternative techniques \nrelated 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 | 0,001 | 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 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 découle