AN ITERATIVE TERRAIN RECOVERY APPROACH TO AUTOMATED DTM GENERATION FROM AIRBORNE LIDAR POINT CLOUDS
Notice bibliographique
Résumé
Abstract. This paper presents a hierarchical recovery method to generate DTMs from airborne LiDAR point clouds based one an idea of layering. The developed method first registers the last return points, and then layering them. The layering is done by dividing the points into different height layers and assigning layer numbers to each point. The layer numbers are comparing references in later identification process. Then a series of rasterized pyramid levels which consisted of lowest points are generated. Since the outliers have been removed after the layering, the cells in top level are considered to be terrain points and used as reference to identify cells in the following level. After the identification of the second level, an interpolation will occur in the cells which identified as offterrain. And the interpolated level will be used as reference in its following level and the same process is repeated at each level. Once this process of the bottom level finished, the proposed method adjusts the results based on the first return feedback and followed by the final interpolation. As a result, this produces the final DTM. The developed method is data driven, and does not assume a prior knowledge about the scene complexity. The proposed method was tested with the ISPRS WG III/3 LiDAR datasets covering different terrain types and filtering difficulties. The results show that the proposed method can perform well in flat terrain or gentle slope area.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 ».