STRIP ADJUSTMENT USING CONJUGATE PLANAR AND LINEAR FEATURES IN OVERLAPPING STRIPS
Notice bibliographique
Résumé
LiDAR (Light Detection And Ranging) technology has demonstrated its capabilities as a prominent technique for the acquisition of accurate topographic information with high-density. A LiDAR system consists of three main components: GPS, IMU, and laser units. Data collection is carried out in a strip-wise fashion and the ground coordinates of the laser footprints are derived using the direct geo-referencing information furnished by the onboard GPS/IMU. Due to systematic errors in the LiDAR components and/or alignment, adjacent LiDAR strips usually show discrepancies. Such discrepancies are caused by missing or improperly employed calibration and operational procedures. The ideal solution for the adjustment of neighboring strips is the implementation of an accurate calibration procedure. However, such a calibration demands the original observations (GPS, IMU and the laser measurements), which are not usually available to the end-user. In this work, a strip adjustment procedure for reducing or eliminating discrepancies between overlapping LiDAR strips is proposed. The mathematical model employed is similar to that used in the photogrammetric Block Adjustment of Independent Models (BAIM). Generally, a traditional BAIM uses conjugate points. These features, however, are not suitable for LiDAR surfaces since it is almost impossible to identify conjugate points in overlapping LiDAR strips. In this work, the use of planar patches and linear features, which are represented by sets of non-conjugate points, is investigated. The noncorrespondence of the selected points along the planar and linear features is compensated for by artificially expanding their variance-covariance matrices. The paper presents experimental results from real data illustrating the feasibility of the proposed procedure.
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 | 0,000 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».