A comprehensive approach for evaluation of \nstereo correspondence solutions \nin outdoor augmented reality
Notice bibliographique
Résumé
For many years, researchers have made great contributions in the fields of augmented \nreality (AR) and stereo vision. One of the most studied aspects of stereo vision \nsince the 1980s has been Stereo Correspondence, which is the problem of finding the \ncorresponding pixels in stereo images, and therefore, building a disparity map. As \na result, many methods have been proposed and implemented to properly address \nthis problem. Due to the emergence of different techniques to solve the problem \nof stereo correspondence, having an evaluation scheme to assess these solutions is \nessential. Over the past few years, different evaluation schemes have been proposed \nby researchers in the field to provide a testbed for assessment of the solutions based \non specific criteria. Middlebury Stereo and Kitti Stereo benchmarks are two of the \nmost popular and widely used evaluation systems through which a solution can be \nevaluated and compared to others. However, both of these models take a general \napproach towards evaluating the methods, that is, they have not been designed with \nan eye to the particular target application. In our proposed approach, steps are taken \ntowards an evaluation design based on the potential applications of stereo methods, \nwhich enables us to better define the criteria for efficiency, that is, the processing \ntime, and the required accuracy of the disparity results. Since AR has attracted \nmore attention in the past few years, the evaluation scheme proposed in this research \nis designed based on outdoor AR applications which can take advantage of stereo \nvision techniques to obtain a depth map of the surrounding environment. This map \ncan then be used to integrate virtual objects in the scene that respect the occlusion \neffects that are expected to occur based on the depth of the real objects.
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 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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,005 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».