CO-REGISTRATION OF PHOTOGRAMMETRIC AND LIDAR DATA: METHODOLOGY AND CASE STUDY
Notice bibliographique
Résumé
Registration activities combine data from different sources in order to attain higher accuracy and derive more information than available from one source. The increasing availability of a wide variety of sensors capable of capturing high quality and complementary data requires parallel efforts for developing accurate and robust registration techniques. Currently, photogrammetric and LIDAR systems are being incorporated in a wide spectrum of mapping applications such as city modeling, surface reconstruction, and object recognition. Photogrammetric processing of overlapping imagery provides accurate information regarding object space break-lines in addition to an explicit semantic description of the photographed objects. On the other hand, LIDAR systems supply dense geometric surface information in the form of non-selective points. Considering the properties of photogrammetric and LIDAR data, it is clear that the two technologies provide complementary information. However, the synergic characteristics of both systems can be fully utilized only after successful registration of the photogrammetric and LIDAR data relative to a common reference frame. The registration methodology has to deal with three issues: registration primitives, transformation function, and similarity measure. This paper presents two methodologies for utilizing straight-line features derived from both datasets as the registration primitives. The first methodology directly incorporates the LIDAR lines as control information in the photogrammetric triangulation. The second methodology starts by generating a photogrammetric model relative to an arbitrary datum. Then, LIDAR features are used as control information for the absolute orientation of the photogrammetric model. In addition to the registration methodologies, the paper presents a comparative analysis between two approaches for extracting linear features from raw and processed/interpolated LIDAR data. Also, a comparative analysis between metric analog and amateur digital cameras within the registration process will be presented. The performance analysis is based on the quality of fit of the final alignment between the LIDAR and photogrammetric models.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 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 ».