Découpage virtuel interactif de corps élastiques pour simulation chirurgicale
Bibliographic record
Abstract
causent pas d'intersections supplémentaires avec la lame.En ce qui concerne le mappage de la surface sur les particules, nous développons un ensemble de critères pour associer les sommets des triangles avec les bonnes particules au fur et à mesure qu'une coupure est produite.Nous démontrons le bon fonctionnement de ces méthodes dans des situations diverses, mais sans nécessairement atteindre une vitesse de rafraîchissement en temps réel.Enfin, pour obtenir une simulation à grande résolution en temps réel, nous développons une structure de données qui permet de décrire les liens entre particules d'une façon utilisable par une carte graphique (GPU).L'utilisation du GPU pour effectuer les calculs de déformation -l'aspect le plus coûteux de la simulation -demande en effet une organisation particulière des données pour un accès efficace.Cependant, étant donné que les liens entre particules sont modifiés constamment, il est également nécessaire que cette structure soit mise à jour de façon efficace.Nous démontrons la performance de l'implantation GPU en la comparant à l'implantation de base sur des objets simulés avec un grand nombre de particules.L'ensemble de ces travaux ont permis de remplir les objectifs posés de déformer et découper interactivement des corps déformables.Cependant, des ajouts sont encore nécessaires pour que la méthode développée puisse être utilisée dans un simulateur plus complet.Nous proposons donc des méthodes pour améliorer la stabilité de la simulation, du point de vue visuel et physique, et pour lui ajouter le calcul d'un retour d'effort pour l'utilisateur.vii
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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".