ANALYSIS OF TWO TRIANGLE-BASED MULTI-SURFACE REGISTRATION ALGORITHMS OF IRREGULAR POINT CLOUDS
Notice bibliographique
Résumé
Abstract. The registration of multiple surface point clouds into a common reference frame is a well addressed topic, and the Iterative Closest Point (ICP) is – perhaps – the most used method when registering laser scans due to their irregular nature. In this paper, we examine the proposed Iterative Closest Projected Point (ICPP) algorithm for the simultaneous registration of multiple point clouds. First, a point to triangular patch (i.e. closest three points) match is established by checking if the point falls within the triangular dipyramid, which has the three triangular patch points as a base and a user-chosen normal distance as the height to establish the two peaks. Then, the point is projected onto the patch surface, and its projection is then used as a match for the original point. It is also shown through empirical experimentation that the Delaunay triangles are not a requirement for establishing matches. In fact, Delaunay triangles in some scenarios may force blunders into the final solution, while using the closest three points leads to avoiding some undesired erroneous points. In addition, we review the algorithm by which the ICPP is inspired, namely, the Iterative Closest Patch (ICPatch); where conjugate point-patch pairs are extracted in the overlapping surface areas, and the transformation parameters between all neighbouring surfaces are estimated in a pairwise manner. Then, using the conjugate point-patch pairs, and applying the transformation parameters from the pairwise registration as initial approximations, the final surface transformation parameters are solved for simultaneously. Finally, we evaluate the assumptions made and examine the performance of the new algorithm against the ICPatch.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».