AUTOMATIC 3D BUILDING MODEL GENERATION USING A HYBRID APPROACH
Notice bibliographique
Résumé
Accurate and up-to-date 3D building models are quite valuable for several applications such as city planning, disaster management, and military simulations. As location-based services and personal navigation become more accessible to the public, automated and efficiently generated 3D models are required more urgently than ever. Considering the importance of 3D building models, they still lack economic and reliable techniques for their generation while taking advantage of the available multi-sensory data from single and multiple platforms. The research conducted on 3D building model generation may fall into the following three categories: data sources used (single or multi-source approaches), the processing strategy (data-driven or model-driven), and the amount of user interaction (semiautomatic or fully automatic). The objectives of this research is to propose fully-automatic building generation approach by integrating data-driven and model-driven methods while making use of multiple images and LiDAR datasets. The focus of reconstruction is on complex structures, which comprise a collection of rectangular primitives. The proposed methodology generates building hypotheses and initial-boundaries from LiDAR data (i.e., data-driven method) and this information is used to restrict the search space and to resolve the matching ambiguities in the images’ space (i.e., model-based image fitting). To reduce the number of involved models, rectangular primitives are used and model parameters, height and slopes are determined from LiDAR data. An automatic algorithm for decomposing the initial LiDAR boundaries into several rectangular primitives is introduced.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».