1,720,958 research outputs found
Going Beyond Counting First Authors in Author Co-citation Analysis
Full text linkThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Apprentissage profond pour le calibrage automatique de capteurs multimodaux
No full textSensor calibration is a fundamental step in enabling robust perception for autonomous systems. This thesis focuses on deep learning-based approaches for automatic multimodal sensor calibration, targeting camera-LiDAR and event camera-LiDAR extrinsic calibration. Traditional calibration techniques often rely on controlled environments, static calibration targets, or initial parameter estimates, limiting their applicability in dynamic real-world scenarios. To overcome these limitations, this research proposes novel, automatic, and uncertainty-aware calibration frameworks that adapt to evolving sensor configurations and environmental conditions. We introduce PseudoCal, an initialization-free method leveraging pseudo-LiDAR representations to perform camera-LiDAR calibration directly in 3D space. Unlike conventional approaches that depend on 2D projections and feature correspondences,our technique provides calibration with minimal prior initialization, making it more robust against significant misalignments. Additionally, we present MULi-Ev, the first real-time online calibration framework for event camera-LiDAR systems. This fills an increasingly critical gap in autonomous driving and robotics, where this sensor combination is gaining popularity for its ability to handle fastmoving and high dynamic range environments. Furthermore, we propose an uncertainty-aware calibration framework that quantifies confidence in estimated parameters using conformal prediction and Bayesian deep learning techniques. This probabilistic modeling enhances trustworthiness in autonomous systems by providing reliable estimates of calibration confidence, crucial for safety-critical applications. This method could allow for the consideration of uncertainty in deciding whether to update calibration parameters, as well as transmitting this information to other modules of the system for more robust decision-making. Extensive experiments on real-world datasets demonstrate the effectiveness of our approaches, showcasing improvements in accuracy, robustness, and adaptability. The contributions of this thesis lay the groundwork for future advancements in sensor fusion, enabling autonomous systems to achieve more reliable and scalable perception in diverse operational settings.Le calibrage des capteurs est une étape essentielle pour garantir une perception robuste dans les systèmes autonomes. Cette thèse explore des approches basées sur l’apprentissage profond pour le calibrage automatique des capteurs multimodaux, en l’occurrence le calibrage extrinsèque entre les caméras et les LiDARs, ainsi qu’entre les caméras évènementielles et les LiDARs. Les méthodes traditionnelles de calibrage reposent généralement sur des environnements contrôlés, des cibles statiques ou des estimations initiales des paramètres, limitant leur applicabilité aux scénarios dynamiques du monde réel. Pour surmonter ces limitations, cette recherche propose des méthodes innovantes de calibrage, automatiques et prenant en compte l’incertitude, capables de s’adapter aux configurations des capteurs et aux conditions environnementales changeantes. Nous introduisons PseudoCal, une méthode limitant la dépendance à une initialisation précise, en utilisant des représentations pseudo-LiDAR pour réaliser un calibrage automatique entre caméras et LiDARs directement dans l’espace 3D. Contrairement aux approches conventionnelles qui s’appuient sur des projections 2D et des correspondances de caractéristiques, notre méthode permet un calibrage avec une initialisation minimale des paramètres, ce qui la rend plus robuste face aux désalignements importants. Nous présentons également MULi-Ev, la première méthode de calibrage en ligne et en temps réel pour les systèmes caméra évènementielle-LiDAR. Cette approche comble une lacune de plus en plus importante dans le domaine des véhicules autonomes et de la robotique, ou cette combinaison de capteurs devient de plus en plus populaire pour gérer les environnements dynamiques et à fort contraste. Enfin, nous proposons la première méthode de calibrage avec estimation de l’incertitude, qui quantifie la confiance dans les paramètres estimés grâce aux techniques de prédiction conforme et d’apprentissage profond bayésien. Cette modélisation probabiliste renforce la fiabilité des systèmes autonomes en fournissant des estimations calibrées et quantifiées, essentielles pour les applications critiques en matière de sécurité. Cette méthode pourrait permettre une prise en compte de l’incertitude pour décider de la mise à jour des paramètres de calibrage, ainsi que de transmettre cette information aux autres modules du système pour une prise de décision plus robuste. Des expériences approfondies sur des jeux de données réels démontrent l’efficacité de nos approches, mettant en évidence des gains en précision, en robustesse et en adaptabilité. Les contributions de cette thèse jettent ainsi les bases pour de futures avancées en fusion de capteurs, permettant aux systèmes autonomes d’atteindre une perception plus fiable et évolutive dans des contextes opérationnels variés
Apprentissage profond pour le calibrage automatique de capteurs multimodaux
No full textSensor calibration is a fundamental step in enabling robust perception for autonomous systems. This thesis focuses on deep learning-based approaches for automatic multimodal sensor calibration, targeting camera-LiDAR and event camera-LiDAR extrinsic calibration. Traditional calibration techniques often rely on controlled environments, static calibration targets, or initial parameter estimates, limiting their applicability in dynamic real-world scenarios. To overcome these limitations, this research proposes novel, automatic, and uncertainty-aware calibration frameworks that adapt to evolving sensor configurations and environmental conditions. We introduce PseudoCal, an initialization-free method leveraging pseudo-LiDAR representations to perform camera-LiDAR calibration directly in 3D space. Unlike conventional approaches that depend on 2D projections and feature correspondences,our technique provides calibration with minimal prior initialization, making it more robust against significant misalignments. Additionally, we present MULi-Ev, the first real-time online calibration framework for event camera-LiDAR systems. This fills an increasingly critical gap in autonomous driving and robotics, where this sensor combination is gaining popularity for its ability to handle fastmoving and high dynamic range environments. Furthermore, we propose an uncertainty-aware calibration framework that quantifies confidence in estimated parameters using conformal prediction and Bayesian deep learning techniques. This probabilistic modeling enhances trustworthiness in autonomous systems by providing reliable estimates of calibration confidence, crucial for safety-critical applications. This method could allow for the consideration of uncertainty in deciding whether to update calibration parameters, as well as transmitting this information to other modules of the system for more robust decision-making. Extensive experiments on real-world datasets demonstrate the effectiveness of our approaches, showcasing improvements in accuracy, robustness, and adaptability. The contributions of this thesis lay the groundwork for future advancements in sensor fusion, enabling autonomous systems to achieve more reliable and scalable perception in diverse operational settings.Le calibrage des capteurs est une étape essentielle pour garantir une perception robuste dans les systèmes autonomes. Cette thèse explore des approches basées sur l’apprentissage profond pour le calibrage automatique des capteurs multimodaux, en l’occurrence le calibrage extrinsèque entre les caméras et les LiDARs, ainsi qu’entre les caméras évènementielles et les LiDARs. Les méthodes traditionnelles de calibrage reposent généralement sur des environnements contrôlés, des cibles statiques ou des estimations initiales des paramètres, limitant leur applicabilité aux scénarios dynamiques du monde réel. Pour surmonter ces limitations, cette recherche propose des méthodes innovantes de calibrage, automatiques et prenant en compte l’incertitude, capables de s’adapter aux configurations des capteurs et aux conditions environnementales changeantes. Nous introduisons PseudoCal, une méthode limitant la dépendance à une initialisation précise, en utilisant des représentations pseudo-LiDAR pour réaliser un calibrage automatique entre caméras et LiDARs directement dans l’espace 3D. Contrairement aux approches conventionnelles qui s’appuient sur des projections 2D et des correspondances de caractéristiques, notre méthode permet un calibrage avec une initialisation minimale des paramètres, ce qui la rend plus robuste face aux désalignements importants. Nous présentons également MULi-Ev, la première méthode de calibrage en ligne et en temps réel pour les systèmes caméra évènementielle-LiDAR. Cette approche comble une lacune de plus en plus importante dans le domaine des véhicules autonomes et de la robotique, ou cette combinaison de capteurs devient de plus en plus populaire pour gérer les environnements dynamiques et à fort contraste. Enfin, nous proposons la première méthode de calibrage avec estimation de l’incertitude, qui quantifie la confiance dans les paramètres estimés grâce aux techniques de prédiction conforme et d’apprentissage profond bayésien. Cette modélisation probabiliste renforce la fiabilité des systèmes autonomes en fournissant des estimations calibrées et quantifiées, essentielles pour les applications critiques en matière de sécurité. Cette méthode pourrait permettre une prise en compte de l’incertitude pour décider de la mise à jour des paramètres de calibrage, ainsi que de transmettre cette information aux autres modules du système pour une prise de décision plus robuste. Des expériences approfondies sur des jeux de données réels démontrent l’efficacité de nos approches, mettant en évidence des gains en précision, en robustesse et en adaptabilité. Les contributions de cette thèse jettent ainsi les bases pour de futures avancées en fusion de capteurs, permettant aux systèmes autonomes d’atteindre une perception plus fiable et évolutive dans des contextes opérationnels variés
Variations on the Author
Full text link“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Full text linkWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
Dispelling the Myths Behind First-author Citation Counts
Full text linkWe conducted a full-scale evaluative citation analysis study of scholars in the XML research field to explore just how different from each other author rankings resulting from different citation counting methods actually are, and to demonstrate the capability of emerging data and tools on the Web in supporting more realistic citation counting methods. Our results contest some common arguments for the continued
use of first-author citation counts in the evaluation of scholars, such as high correlations between author rankings by first-author citation counts and other citation
counting methods, and high costs of using more realistic citation counting methods that are not well-supported by the ISI databases. It is argued that increasingly available digital full text research papers make it possible for citation analysis studies to go beyond what the ISI databases have directly supported and to employ more
sophisticated methods
koamabayili/VECTRON-author-checklist: VECTRON author checklist
No full textWe have done our best to complete the author checklist relating to the use of animals in the hut study. Note that the objective for the hut study was to evaluate the IRS treatment applications for residual efficacy against Anopheles mosquitoes, including the local An. coluzzii mosquito population. Cows were only used to attract mosquitoes into the huts and no tests were carried out directly on the cows. The author checklist is intended for use with studies where experiments are carried out on animals, which is why we have had such difficulty in completing this for the hut study, as many of the questions do not relate to how the cows were used
Author-wise bibliometric analysis based on entropy.
No full textAuthor-wise bibliometric analysis based on entropy.</p
- …
