UNIVERSITY OF CALGARY Epipolar Resampling of Linear Array Scanner Scenes
Notice bibliographique
Résumé
Normalized image generation (epipolar resampling) is an important task for automatic image matching. Normalized images facilitate the detection of feature correspondences in the images and therefore provide the advantages of reducing the search space as well as the matching ambiguities. Normalized image generation is a well-established procedure for images captured by frame cameras. Digital frame cameras that produce resolution and ground coverage comparable to those of analog aerial photographs are not yet available. Instead, linear array scanners can be used on aerial or space platforms in order to obtain such characteristics. The resulting scenes are formed by stitching the captured one-dimensional images that are produced as the sensor moves. Rigorous modeling necessitates accessing or estimating a large number of exterior orientation parameters of the images. The resulting epipolar lines are non-straight lines, which causes difficulties in epipolar resampling using the rigorous model. By comparison, the parallel projection model requires a smaller number of parameters, and it results in straight epipolar lines. In addition, as the flying height increases and the angular field of view decreases, similar to the case of space-borne scanners, the true perspective geometry can be approximated by parallel geometry. The mathematical models and the transformations related to the parallel projection model and its relation to the rigorous perspective projection model are developed. An approach for epipolar resampling of linear array scanner scenes based on the parallel projection model is established. Experimental results using synthetic as well as real data prove the feasibility of the developed approach. iii
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».