A NEW APPROACH FOR SEGMENTATION-BASED TEXTURING OF LASER SCANNING DATA
Notice bibliographique
Résumé
Abstract. In recent years, laser scanning systems have been recognized as a fast and accurate technology for the acquisition of high density spatial data. The advent of these systems has reduced the cost and increased the availability of accurate 3D data for mapping, modelling, and monitoring applications. The original laser scanning data does not explicitly provide meaningful information about the characteristics of the scanned surfaces. Therefore, reliable processing procedures are applied for information extraction from these datasets. However, the derived surfaces through laser scanning data processing cannot be effectively interpreted due to the lack of spectral information. To resolve this problem, a new texturing procedure is introduced in this paper to improve the interpretability of laser scanning-derived surfaces using spectral information from overlapping imagery. In this texturing approach, individual planar regions, derived through a laser scanning data segmentation procedure, are textured using the available imagery. This texturing approach, which aims to overcome the computational inefficiency of the previously-developed point-based texturing techniques, is implemented in three steps. In the first step, the visibility of the segmented planar regions in the available imagery is checked and a list of appropriate images for texturing each planar region is established. An occlusion detection procedure is then performed to identify the parts of the segmented regions which are occluding/being occluded by other regions in the field of view of the utilized images. In the second step, visible parts of planar regions are decomposed into parts which should be textured using individual images. Finally, a rendering procedure is performed to texture these parts using available images. Experimental results from real laser scanning dataset and overlapping imagery demonstrate the feasibility of the proposed approach for texturing laser scanning-derived surfaces using images.
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 | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».