Estimating local surface attitude from 3D point cloud data.
Notice bibliographique
Résumé
The Southampton-York Natural Scenes (SYNS) dataset consists of LiDAR range and image data captured from a variety of natural and built environments. One of our goals is to use the dataset to relate the ecological statistics of 3D surfaces to human perception of surface attitude. A local planar fit at a 3D point in the dataset can be estimated from an eigen-decomposition of a k-neighbourhood of surrounding points. One challenge is to determine the optimal local scale, k; smaller scales produce noisier estimates, while larger scales lead to over-smoothing. We designed and evaluated two algorithms for adaptively selecting the optimal local scale. The first algorithm uses unsupervised leave-one-out cross-validation (XVAL). For each scale k we fit k planes using k-1 points and measured error of fit as the average distance of the left-out point from the plane. The XVAL method assumes white sensor noise. However, in many sensors, including our own Leica P20, internal post-processing produces correlated noise. To address this problem, we evaluated a second, supervised method based on null hypothesis testing (NHT). Under the NHT approach, the surface is assumed to be locally planar unless there is strong evidence to the contrary. In the NHT training phase, we used a planar reference surface to measure the maximum observed mean deviation of points from fitted planes as a function of scale k and distance. In the estimation phase, this function provides an upper bound on the expected deviation for a locally planar surface; we select the maximum k that does not exceed this bound. Both methods tend to select smaller scales for bumpy surfaces and larger scales for flat surfaces. However, by taking noise correlations into account, the NHT method produces more reliable and more accurate surface attitude estimates for a range of different environments. Meeting abstract presented at VSS 2016
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
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 ».