MétaCan
Menu
Retour à la cohorte
Enregistrement W1786358021 · doi:10.5380/bcg.v16i1.17242

A REVIEW OF GEOMETRIC MODELS AND SELF-CALIBRATION METHODS FOR TERRESTRIAL LASER SCANNERS

2010· review· en· W1786358021 sur OpenAlexaff
Derek D. Lichti

Notice bibliographique

RevueBoletim de Ciências Geodésicas · 2010
Typereview
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing and LiDAR Applications
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésLaser scanningCalibrationComputer scienceRange (aeronautics)Remote sensingDeformation monitoringScannerDeformation (meteorology)LaserStability (learning theory)Artificial intelligenceOpticsGeologyMathematicsPhysicsStatisticsMachine learningMaterials science

Résumé

récupéré en direct d'OpenAlex

Terrestrial laser scanning has been shown to be an invaluable technology for engineering measurement applications such as structural deformation measurement and rockfall monitoring. In order to ensure the quality of the data captured for these and other applications, all systematic instrument errors must be properly modelled, calibrated and corrected prior to using the data in subsequent stability or deformation analyses. In one popular modelling approach, the range and angular observations from a laser scanner are augmented with additive model terms that describe the systematic errors. Self-calibration methods can then be used in order to estimate the coefficients of these models. This paper provides a review of the current state-of-the-art of terrestrial laser scanner systematic error models and self-calibration methods, supported by real-dataset examples that demonstrate the need for these processes.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,985
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,043
Tête enseignante GPT0,361
Écart entre enseignants0,317 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations29
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBoletim de Ciências GeodésicasMême sujetRemote Sensing and LiDAR ApplicationsTravaux en français237 207