MétaCan
Menu
Retour à la cohorte
Enregistrement W2055011119 · doi:10.9733/189

Photogrammetric features for the registration of terrestrial laser scans with minimum overlap

2013· article· en· W2055011119 sur OpenAlexaff
Sibel Canaz, Ayman Habib

Notice bibliographique

RevueJournal of Geodesy and Geoinformation · 2013
Typearticle
Langueen
DomaineEarth and Planetary Sciences
Thématique3D Surveying and Cultural Heritage
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésPhotogrammetryComputer scienceComputer visionLaser scanningCoordinate systemArtificial intelligenceProcess (computing)Image registrationData acquisitionAffine transformationTransformation (genetics)LaserRemote sensingGeographyMathematicsOptics

Résumé

récupéré en direct d'OpenAlex

The interest and demand for 3 Dimensional (3D) documentation of man-made structures have increased with the continuous improvement in data acquisition systems and the expanding range of potential applications. Currently, 3D data can be obtained through two technologies: photogrammetry and laser scanning. In spite of the proven quality of static laser scanning, the collection and processing of laser scans is a time consum-ing process and the derivation of complete 3D models requires multiple scans with each scan having its own coordinate system. Therefore, the different scans should be aligned in a common coordinate system. This alignment process is known as “registration”. Current registration techniques require large overlap area between the collected scans in order to obtain reliable estimation of the transformation parameters relating these scans. The main objective of this research is to avoid the requirement of large overlap areas among the laser scans using photogrammetric data for the registration process. Registration methods generally use points as primitives to relate the different laser scans. In this research, photogrammetric linear and planar features are used for the proposed registration method. Finally, qualitative and quantitative quality control measures are proposed for analyzing the result of the proposed registration method.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,826
Score d'incertitude au seuil0,197

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
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 Opus0,012
Tête enseignante GPT0,201
Écart entre enseignants0,189 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations4
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Geodesy and GeoinformationMême sujet3D Surveying and Cultural HeritageTravaux en français237 207