1,720,964 research outputs found
Going Beyond Counting First Authors in Author Co-citation Analysis
Get PDFThe 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
Variations on the Author
Get PDF“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
Get PDFWe 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
Get PDFWe 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
Modèles statistiques pour représenter et synthétiser des mouvement humains en 3D
No full textIn this manuscript, we propose data-driven methods to generate realistic 3D human motion. Although data-driven approaches are difficult to implement without sufficient data, the rapid increase in 3D human data makes them increasingly attractive. While generative modelling of dense human bodies has been widely studied over the past decades, it has become apparent that representing motion as a sequence of static poses has limitations when processing inputs with missing images, occlusions or low spatial resolution. Regarding motion, existing work has mainly focused on sparse representations of the human body, such as a set of sparse surface markers or a skeleton. We investigate the representation and synthesis of spatially dense human motion. We specifically target bodies wearing tight clothing and focus on modelling dense human motion as the temporal evolution of a sparse body pose and its interaction with a dense body morphology. To do so, we exploit the power of neural representations, which have allowed for impressive progress in 2D image processing and have shown promising first results on 3D data.Modelling motion from data poses many challenges. Firstly, spatio-temporal motion data is high dimensional. Second, human motion and morphological variability are interdependent. And third, the formalism of what makes a motion realistic is not well known, which complicates the translation of this problem into optimization objectives.To address these issues, we propose three contributions. The first two investigate the use of low-dimensional latent spaces to represent and synthesize human motion. Specifically, in our first contribution, we propose to encode a temporal segment of motion into a single latent vector while applying a Gaussian assumption on the distribution of the data in the latent space. This generic latent representation allows the generation of new motions and also allows the completion and denoising of sparse data.In the second contribution, we extend the first work to longer motions representing them as a sequence of latent vectors, where each vector characterizes a temporal segment of the movement. This approach greatly improves the accuracy of the model and the results on the completion task.In a third and final contribution, we study motion transfer, where the goal is to automatically transfer the motion of a source character to a target character. In this approach, we propose an alternative to the existing approaches which directly operate on the dense surface by operating both on the dense surface and an intermediate skeletal representation.The source code implementing the different reconstruction methods is released as open source software for research purposes.Dans cette thèse, nous proposons des méthodes basées sur les données pour générer des mouvements humains 3D réalistes. Bien que les approches orientées données soient difficiles à mettre en œuvre sans données suffisantes, l'augmentation rapide du nombre de bases de données humaines en 3D les rend de plus en plus attrayantes. Alors que la modélisation générative de corps humains denses a été largement étudiée au cours des dernières décennies, il est devenu évident que représenter le mouvement comme une séquence de poses statiques présente des limites lors du traitement d'entrées avec des images manquantes, des occlusions ou une faible résolution spatiale. En ce qui concerne le mouvement, les travaux existants se sont principalement concentrés sur des représentations éparses du corps humain, telles qu'un ensemble de marqueurs de surface épars ou un squelette. Nous étudions la représentation et la synthèse du mouvement humain spatialement dense. Nous ciblons spécifiquement les corps portant des vêtements serrés et nous nous concentrons sur la modélisation du mouvement humain dense comme l'évolution temporelle d'une pose corporelle éparse et son interaction avec une morphologie corporelle dense. Pour ce faire, nous exploitons la puissance des réseaux neuronaux, qui ont permis des progrès impressionnants dans le traitement des images 2D et ont montré des premiers résultats prometteurs sur les données 3D.La modélisation du mouvement à partir de données pose de nombreux défis. Tout d'abord, les données spatio-temporelles de mouvement sont de haute dimension. Deuxièmement, le mouvement humain et la variabilité morphologique sont interdépendants. Et troisièmement, le formalisme de ce qui rend un mouvement réaliste n'est pas bien connu, ce qui complique la traduction de ce problème en objectifs d'optimisation.Pour aborder ces questions, nous proposons trois contributions. Les deux premières étudient l'utilisation d'espaces latents de faible dimension pour représenter et synthétiser le mouvement humain. Plus précisément, dans notre première contribution, nous proposons d'encoder un segment temporel de mouvement dans un vecteur latent unique tout en appliquant une hypothèse gaussienne sur la distribution des données dans l'espace latent. Cette représentation latente générique permet la génération de nouveaux mouvements et permet également de compléter et de débruiter des données éparses.Dans la deuxième contribution, nous étendons le premier travail à des mouvements plus longs en les représentant comme une séquence de vecteurs latents, où chaque vecteur caractérise un segment temporel du mouvement. Cette approche améliore considérablement la précision du modèle et les résultats sur la tâche d'achèvement.Dans une troisième et dernière contribution, nous étudions le transfert de mouvement, où l'objectif est de transférer automatiquement le mouvement d'un personnage source vers un personnage cible. Dans cette approche, nous proposons une alternative aux approches existantes qui opèrent directement sur la surface dense en opérant à la fois sur la surface dense et sur une représentation squelettique intermédiaire.Le code source implémentant les différentes méthodes de reconstruction est publié en tant que logiciel open source à des fins de recherche
Modèles statistiques pour représenter et synthétiser des mouvement humains en 3D
No full textIn this manuscript, we propose data-driven methods to generate realistic 3D human motion. Although data-driven approaches are difficult to implement without sufficient data, the rapid increase in 3D human data makes them increasingly attractive. While generative modelling of dense human bodies has been widely studied over the past decades, it has become apparent that representing motion as a sequence of static poses has limitations when processing inputs with missing images, occlusions or low spatial resolution. Regarding motion, existing work has mainly focused on sparse representations of the human body, such as a set of sparse surface markers or a skeleton. We investigate the representation and synthesis of spatially dense human motion. We specifically target bodies wearing tight clothing and focus on modelling dense human motion as the temporal evolution of a sparse body pose and its interaction with a dense body morphology. To do so, we exploit the power of neural representations, which have allowed for impressive progress in 2D image processing and have shown promising first results on 3D data.Modelling motion from data poses many challenges. Firstly, spatio-temporal motion data is high dimensional. Second, human motion and morphological variability are interdependent. And third, the formalism of what makes a motion realistic is not well known, which complicates the translation of this problem into optimization objectives.To address these issues, we propose three contributions. The first two investigate the use of low-dimensional latent spaces to represent and synthesize human motion. Specifically, in our first contribution, we propose to encode a temporal segment of motion into a single latent vector while applying a Gaussian assumption on the distribution of the data in the latent space. This generic latent representation allows the generation of new motions and also allows the completion and denoising of sparse data.In the second contribution, we extend the first work to longer motions representing them as a sequence of latent vectors, where each vector characterizes a temporal segment of the movement. This approach greatly improves the accuracy of the model and the results on the completion task.In a third and final contribution, we study motion transfer, where the goal is to automatically transfer the motion of a source character to a target character. In this approach, we propose an alternative to the existing approaches which directly operate on the dense surface by operating both on the dense surface and an intermediate skeletal representation.The source code implementing the different reconstruction methods is released as open source software for research purposes.Dans cette thèse, nous proposons des méthodes basées sur les données pour générer des mouvements humains 3D réalistes. Bien que les approches orientées données soient difficiles à mettre en œuvre sans données suffisantes, l'augmentation rapide du nombre de bases de données humaines en 3D les rend de plus en plus attrayantes. Alors que la modélisation générative de corps humains denses a été largement étudiée au cours des dernières décennies, il est devenu évident que représenter le mouvement comme une séquence de poses statiques présente des limites lors du traitement d'entrées avec des images manquantes, des occlusions ou une faible résolution spatiale. En ce qui concerne le mouvement, les travaux existants se sont principalement concentrés sur des représentations éparses du corps humain, telles qu'un ensemble de marqueurs de surface épars ou un squelette. Nous étudions la représentation et la synthèse du mouvement humain spatialement dense. Nous ciblons spécifiquement les corps portant des vêtements serrés et nous nous concentrons sur la modélisation du mouvement humain dense comme l'évolution temporelle d'une pose corporelle éparse et son interaction avec une morphologie corporelle dense. Pour ce faire, nous exploitons la puissance des réseaux neuronaux, qui ont permis des progrès impressionnants dans le traitement des images 2D et ont montré des premiers résultats prometteurs sur les données 3D.La modélisation du mouvement à partir de données pose de nombreux défis. Tout d'abord, les données spatio-temporelles de mouvement sont de haute dimension. Deuxièmement, le mouvement humain et la variabilité morphologique sont interdépendants. Et troisièmement, le formalisme de ce qui rend un mouvement réaliste n'est pas bien connu, ce qui complique la traduction de ce problème en objectifs d'optimisation.Pour aborder ces questions, nous proposons trois contributions. Les deux premières étudient l'utilisation d'espaces latents de faible dimension pour représenter et synthétiser le mouvement humain. Plus précisément, dans notre première contribution, nous proposons d'encoder un segment temporel de mouvement dans un vecteur latent unique tout en appliquant une hypothèse gaussienne sur la distribution des données dans l'espace latent. Cette représentation latente générique permet la génération de nouveaux mouvements et permet également de compléter et de débruiter des données éparses.Dans la deuxième contribution, nous étendons le premier travail à des mouvements plus longs en les représentant comme une séquence de vecteurs latents, où chaque vecteur caractérise un segment temporel du mouvement. Cette approche améliore considérablement la précision du modèle et les résultats sur la tâche d'achèvement.Dans une troisième et dernière contribution, nous étudions le transfert de mouvement, où l'objectif est de transférer automatiquement le mouvement d'un personnage source vers un personnage cible. Dans cette approche, nous proposons une alternative aux approches existantes qui opèrent directement sur la surface dense en opérant à la fois sur la surface dense et sur une représentation squelettique intermédiaire.Le code source implémentant les différentes méthodes de reconstruction est publié en tant que logiciel open source à des fins de recherche
Modèles statistiques pour représenter et synthétiser des mouvement humains en 3D
No full textIn this manuscript, we propose data-driven methods to generate realistic 3D human motion. Although data-driven approaches are difficult to implement without sufficient data, the rapid increase in 3D human data makes them increasingly attractive. While generative modelling of dense human bodies has been widely studied over the past decades, it has become apparent that representing motion as a sequence of static poses has limitations when processing inputs with missing images, occlusions or low spatial resolution. Regarding motion, existing work has mainly focused on sparse representations of the human body, such as a set of sparse surface markers or a skeleton. We investigate the representation and synthesis of spatially dense human motion. We specifically target bodies wearing tight clothing and focus on modelling dense human motion as the temporal evolution of a sparse body pose and its interaction with a dense body morphology. To do so, we exploit the power of neural representations, which have allowed for impressive progress in 2D image processing and have shown promising first results on 3D data.Modelling motion from data poses many challenges. Firstly, spatio-temporal motion data is high dimensional. Second, human motion and morphological variability are interdependent. And third, the formalism of what makes a motion realistic is not well known, which complicates the translation of this problem into optimization objectives.To address these issues, we propose three contributions. The first two investigate the use of low-dimensional latent spaces to represent and synthesize human motion. Specifically, in our first contribution, we propose to encode a temporal segment of motion into a single latent vector while applying a Gaussian assumption on the distribution of the data in the latent space. This generic latent representation allows the generation of new motions and also allows the completion and denoising of sparse data.In the second contribution, we extend the first work to longer motions representing them as a sequence of latent vectors, where each vector characterizes a temporal segment of the movement. This approach greatly improves the accuracy of the model and the results on the completion task.In a third and final contribution, we study motion transfer, where the goal is to automatically transfer the motion of a source character to a target character. In this approach, we propose an alternative to the existing approaches which directly operate on the dense surface by operating both on the dense surface and an intermediate skeletal representation.The source code implementing the different reconstruction methods is released as open source software for research purposes.Dans cette thèse, nous proposons des méthodes basées sur les données pour générer des mouvements humains 3D réalistes. Bien que les approches orientées données soient difficiles à mettre en œuvre sans données suffisantes, l'augmentation rapide du nombre de bases de données humaines en 3D les rend de plus en plus attrayantes. Alors que la modélisation générative de corps humains denses a été largement étudiée au cours des dernières décennies, il est devenu évident que représenter le mouvement comme une séquence de poses statiques présente des limites lors du traitement d'entrées avec des images manquantes, des occlusions ou une faible résolution spatiale. En ce qui concerne le mouvement, les travaux existants se sont principalement concentrés sur des représentations éparses du corps humain, telles qu'un ensemble de marqueurs de surface épars ou un squelette. Nous étudions la représentation et la synthèse du mouvement humain spatialement dense. Nous ciblons spécifiquement les corps portant des vêtements serrés et nous nous concentrons sur la modélisation du mouvement humain dense comme l'évolution temporelle d'une pose corporelle éparse et son interaction avec une morphologie corporelle dense. Pour ce faire, nous exploitons la puissance des réseaux neuronaux, qui ont permis des progrès impressionnants dans le traitement des images 2D et ont montré des premiers résultats prometteurs sur les données 3D.La modélisation du mouvement à partir de données pose de nombreux défis. Tout d'abord, les données spatio-temporelles de mouvement sont de haute dimension. Deuxièmement, le mouvement humain et la variabilité morphologique sont interdépendants. Et troisièmement, le formalisme de ce qui rend un mouvement réaliste n'est pas bien connu, ce qui complique la traduction de ce problème en objectifs d'optimisation.Pour aborder ces questions, nous proposons trois contributions. Les deux premières étudient l'utilisation d'espaces latents de faible dimension pour représenter et synthétiser le mouvement humain. Plus précisément, dans notre première contribution, nous proposons d'encoder un segment temporel de mouvement dans un vecteur latent unique tout en appliquant une hypothèse gaussienne sur la distribution des données dans l'espace latent. Cette représentation latente générique permet la génération de nouveaux mouvements et permet également de compléter et de débruiter des données éparses.Dans la deuxième contribution, nous étendons le premier travail à des mouvements plus longs en les représentant comme une séquence de vecteurs latents, où chaque vecteur caractérise un segment temporel du mouvement. Cette approche améliore considérablement la précision du modèle et les résultats sur la tâche d'achèvement.Dans une troisième et dernière contribution, nous étudions le transfert de mouvement, où l'objectif est de transférer automatiquement le mouvement d'un personnage source vers un personnage cible. Dans cette approche, nous proposons une alternative aux approches existantes qui opèrent directement sur la surface dense en opérant à la fois sur la surface dense et sur une représentation squelettique intermédiaire.Le code source implémentant les différentes méthodes de reconstruction est publié en tant que logiciel open source à des fins de recherche
Data driven representation and synthesis of 3D human motion
No full textDans cette thèse, nous proposons des méthodes basées sur les données pour générer des mouvements humains 3D réalistes. Bien que les approches orientées données soient difficiles à mettre en œuvre sans données suffisantes, l'augmentation rapide du nombre de bases de données humaines en 3D les rend de plus en plus attrayantes. Alors que la modélisation générative de corps humains denses a été largement étudiée au cours des dernières décennies, il est devenu évident que représenter le mouvement comme une séquence de poses statiques présente des limites lors du traitement d'entrées avec des images manquantes, des occlusions ou une faible résolution spatiale. En ce qui concerne le mouvement, les travaux existants se sont principalement concentrés sur des représentations éparses du corps humain, telles qu'un ensemble de marqueurs de surface épars ou un squelette. Nous étudions la représentation et la synthèse du mouvement humain spatialement dense. Nous ciblons spécifiquement les corps portant des vêtements serrés et nous nous concentrons sur la modélisation du mouvement humain dense comme l'évolution temporelle d'une pose corporelle éparse et son interaction avec une morphologie corporelle dense. Pour ce faire, nous exploitons la puissance des réseaux neuronaux, qui ont permis des progrès impressionnants dans le traitement des images 2D et ont montré des premiers résultats prometteurs sur les données 3D.La modélisation du mouvement à partir de données pose de nombreux défis. Tout d'abord, les données spatio-temporelles de mouvement sont de haute dimension. Deuxièmement, le mouvement humain et la variabilité morphologique sont interdépendants. Et troisièmement, le formalisme de ce qui rend un mouvement réaliste n'est pas bien connu, ce qui complique la traduction de ce problème en objectifs d'optimisation.Pour aborder ces questions, nous proposons trois contributions. Les deux premières étudient l'utilisation d'espaces latents de faible dimension pour représenter et synthétiser le mouvement humain. Plus précisément, dans notre première contribution, nous proposons d'encoder un segment temporel de mouvement dans un vecteur latent unique tout en appliquant une hypothèse gaussienne sur la distribution des données dans l'espace latent. Cette représentation latente générique permet la génération de nouveaux mouvements et permet également de compléter et de débruiter des données éparses.Dans la deuxième contribution, nous étendons le premier travail à des mouvements plus longs en les représentant comme une séquence de vecteurs latents, où chaque vecteur caractérise un segment temporel du mouvement. Cette approche améliore considérablement la précision du modèle et les résultats sur la tâche d'achèvement.Dans une troisième et dernière contribution, nous étudions le transfert de mouvement, où l'objectif est de transférer automatiquement le mouvement d'un personnage source vers un personnage cible. Dans cette approche, nous proposons une alternative aux approches existantes qui opèrent directement sur la surface dense en opérant à la fois sur la surface dense et sur une représentation squelettique intermédiaire.Le code source implémentant les différentes méthodes de reconstruction est publié en tant que logiciel open source à des fins de recherche.In this manuscript, we propose data-driven methods to generate realistic 3D human motion. Although data-driven approaches are difficult to implement without sufficient data, the rapid increase in 3D human data makes them increasingly attractive. While generative modelling of dense human bodies has been widely studied over the past decades, it has become apparent that representing motion as a sequence of static poses has limitations when processing inputs with missing images, occlusions or low spatial resolution. Regarding motion, existing work has mainly focused on sparse representations of the human body, such as a set of sparse surface markers or a skeleton. We investigate the representation and synthesis of spatially dense human motion. We specifically target bodies wearing tight clothing and focus on modelling dense human motion as the temporal evolution of a sparse body pose and its interaction with a dense body morphology. To do so, we exploit the power of neural representations, which have allowed for impressive progress in 2D image processing and have shown promising first results on 3D data.Modelling motion from data poses many challenges. Firstly, spatio-temporal motion data is high dimensional. Second, human motion and morphological variability are interdependent. And third, the formalism of what makes a motion realistic is not well known, which complicates the translation of this problem into optimization objectives.To address these issues, we propose three contributions. The first two investigate the use of low-dimensional latent spaces to represent and synthesize human motion. Specifically, in our first contribution, we propose to encode a temporal segment of motion into a single latent vector while applying a Gaussian assumption on the distribution of the data in the latent space. This generic latent representation allows the generation of new motions and also allows the completion and denoising of sparse data.In the second contribution, we extend the first work to longer motions representing them as a sequence of latent vectors, where each vector characterizes a temporal segment of the movement. This approach greatly improves the accuracy of the model and the results on the completion task.In a third and final contribution, we study motion transfer, where the goal is to automatically transfer the motion of a source character to a target character. In this approach, we propose an alternative to the existing approaches which directly operate on the dense surface by operating both on the dense surface and an intermediate skeletal representation.The source code implementing the different reconstruction methods is released as open source software for research purposes
- …
