The color recognition methods for the active markers in the motion capture system, using various techniques, including ML
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,005 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».