13、增强现实中“X射线视觉”的深度感知研究

增强现实中“X射线视觉”的深度感知研究

增强现实(AR)技术中的“X射线视觉”功能十分炫酷,它能让用户看到被遮挡的虚拟物体。然而,要使AR系统在“X射线视觉”感知层面有效工作,就需要深入研究用户对虚拟物体深度的感知。下面将从不同距离范围的深度感知实验来展开探讨。

中远距离场的度量深度

第一个实验使用头戴式OST显示器,在中距离场和相邻的远距离场进行了四项实验。这些实验对比了不同条件,多数是用户直接可见位置的虚拟物体可视化,只有两项实验的两个条件应用了“X射线视觉”隐喻。

从实验数据来看,Kirkley的数据与其他数据差异较大,其最后一个数据点(33.5, -13.9)甚至超出了图表范围。Swan等人实验中的“X射线”条件在中距离场的某些距离上与Kirkley的数据相符。室内直接观看虚拟物体的四组数据中,Livingston等人的室内数据是个异常值。同一物理环境(如同一走廊)下,Livingston等人和Swan等人的室内数据集差异明显,这凸显了实验中获取高质量数据的难度,需要控制潜在的干扰因素,并关注受试者的深度感知能力。其中一个潜在干扰因素是实验中使用的OST显示器较大的视场角。

Livingston等人的室外数据也有所不同,可能是由于从室内到室外环境失去了强大的透视线索,也可能是不同头戴式显示器造成的。由于在办公室环境中收集室内数据具有干扰性,环境变量未进行平衡处理,仅间隔7 - 14天。尽管从感知任务角度看,这种设计不应产生顺序效应,但实验结果仍令人担忧。

实验中有两组使用真实目标的数据看起来较为合理,这表明用户在AR任务中确实利用了融合环境中的深度线索。不过,也有人认为感知匹配可能只是尺寸匹配任务,这再次强调了验证任务和实验设计的重

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值