Occlusion-based Methodology for the Classification of Lidar Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Lidar systems have been widely adopted for the acquisition of dense and accurate topographic data over extended areas. The level of detail and the quality of the collected point cloud motivated the research community to investigate the possibility of automatic object extraction from such data. Prior knowledge of the terrain surface will improve the performance of object detection and extraction procedures. In this paper, a new strategy for automatic terrain extraction from lidar data is presented. The proposed strategy is based on the fact that sudden elevation changes, which usually correspond to non-ground objects, will cause relief displacements in perspective views. The introduced relief displacements will occlude neighboring ground points. To start the process, we generate a digital surface model (DSM) from the irregular lidar points using an interpolation procedure. The presence of sudden-elevation changes and the resulting occlusions can be discerned by sequentially checking the off-nadir angles to the lines of sight connecting the DSM cells and a pre-defined set of synthesized projection centers. Detected occlusions are then used to identify the occluding points, which are hypothesized to be non-ground points. Surface roughness and discontinuities together with inherent noise in the point cloud will lead to some false hypotheses. Therefore, we use a statistical filter to remove these false hypotheses. The performance of the algorithm has been evaluated and verified using both simulated and real lidar datasets with varying levels of complexity.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle