Estimating 3D surface properties of natural scenes
Notice bibliographique
Résumé
The University of Southampton (UK) and York University (Canada) have collaborated to build the Southampton-York Natural Scenes (SYNS) public dataset. Our goal is to provide a resource that can be used to relate properties of the human visual system to the statistics of natural scenes. At each scene a 3D point cloud was captured with a Leica P20 LiDAR system over a nearly spherical field of view. Registered spherical high dynamic range monocular imagery and panoramic stereo pairs were also recorded. To derive statistical models of natural surfaces, and to relate these surface models to photometric information in associated imagery, we must first develop reliable methods for estimating surface properties from point cloud data. A standard method for identifying the surface normal at a selected 3D point is to compute the smallest eigenvector of the spatial covariance matrix of k points lying closest to selected point. The main problem with this approach is determining the optimal neighbourhood size k. Here we evaluate a novel adaptive method based upon leave-one-out cross-validation. Specifically, at each point we sweep over a broad range of potential neighborhood sizes (k = 4…100), each time computing k estimates of the surface normal based on k-1 points and measuring error as the deviation of the remaining validation point from the estimated tangent plane. The optimal k is that which yields the lowest mean k-fold cross-validation error. We demonstrate that this adaptive method works reliably for diverse scenes in urban and rural environments. Typically a very local neighbourhood (mode of k = 8) is selected, but the distribution has a strong positive tail, particularly for urban environments, where planar surfaces can be estimated more reliably with larger neighbourhoods. We discuss how higher-order geometric surface properties of natural scene data can estimated using similar methods. Meeting abstract presented at VSS 2015
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».