Bayesian Estimation of Hand Kinematics from Spatially Tracked Landmarks
Notice bibliographique
Résumé
A Bayesian framework for estimating finger joint kinematics from spatially tracked hand landmarks was introduced in this study.Three-dimensional landmark data were constructed by augmenting image-based two-dimensional hand landmarks with calibrated depth information.A hierarchy of coordinate frames was established, beginning with the palm as the root and extending to child frames assigned to each finger, thereby encoding the natural kinematic dependencies of the hand.This hierarchical representation provides the structural foundation for Bayesian estimation.Finger joint parameters were estimated within a maximum likelihood framework that is robust to tracking noise and signal occlusions, which are common in practical hand-tracking scenarios.Unlike data-driven methods, the proposed approach does not rely on pre-collected training datasets but instead leverages the kinematic model and intrinsic physical constraints of the human hand.The estimation problem was formalized as a Gaussian Bayesian Network (GBN), through which joint parameters were inferred using Maximum Likelihood Estimation (MLE).Robustness of the approach was qualitatively demonstrated through reconstructed graphical configurations that illustrate accurate recovery of finger postures under noisy conditions.This method provides a principled framework for hand motion reconstruction and establishes the foundation for future quantitative evaluations against benchmark datasets.The framework is expected to advance applications in human-computer interaction, prosthetic design, virtual reality (VR), and rehabilitation by enabling more reliable and anatomically consistent hand tracking.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».