Bibliographic record
Abstract
Dans cette thèse, nous appliquons une technique d’apprentissage automatique à la predictionde mouvements humains. L’objectif est d’utiliser un nombre réduit de marqueursqui captent les mouvements. Cette problématique est souvent rencontrée dans les productionsoù les marqueurs sont cachés, mal étiquetés ou bruités. Nous cherchons un sous-ensemblede marqueurs de capture de mouvements capables de fournir une prédictionrapide et de haute qualité pour le mouvement des articulations humaines. La difficultéd’enregistrer et de suivre le mouvement d’un acteur dans ce contexte provient souventde l’environnement dans lequel la capture se déroule. En effet, un éclairage puissant etvarié, des générateurs de fumée et d’autres pollutions visuelles font souvent partie desspectacles, conduisant à des systèmes de capture de mouvement encombrants et coûteux.Néanmoins, l’integration de ces effets de capture de mouvements a suscité un engouementimportant dans les productions, mais aucune des techniques de pointe ne peut gérerde tels environnements avec peu de marqueurs.Nos principales contributions sont les suivantes. Tout d’abord, nous sélectionnons dessous-ensembles de marqueurs qui fournissent des informations complètes sur le mouvementen comparant différentes approches automatiques. Ensuite, nous développonsune méthode de prédiction de mouvements robuste pour des ensembles de marqueursréduits. De la sorte, nous implémentons un réseau de débruitage profond, un algorithmed’apprentissage en profondeur qui compense le bruit et la latence de certains systèmes.Enfin, nous fournissons une procédure complète pour le nettoyage des données, l’algorithmede prédiction et la reconstruction des mouvements
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".