Effects of LiDAR Point Density on Extraction of Traffic Signs: A Sensitivity Study
Notice bibliographique
Résumé
Datasets collected using light detection and ranging (LiDAR) technology often consist of dense point clouds. However, the density of the point cloud could vary depending on several different factors including the capabilities of the data collection equipment, the conditions in which data are collected, and other features such as range and angle of incidence. Although variation in point density is expected to influence the quality of the information extracted from LiDAR, the extent to which changes in density could affect the extraction is unknown. Understanding such impacts is essential for agencies looking to adopt LiDAR technology and researchers looking to develop algorithms to extract information from LiDAR. This paper focuses specifically on understanding the impacts of point density on extracting traffic signs from LiDAR datasets. The densities of point clouds are first reduced using stratified random sampling; traffic signs are then extracted from those datasets at different levels of point density. The precision and accuracy of the detection process was assessed at the different levels of point cloud density and on four different highway segments. In general, it was found that for signs with large panels along the approach on which LiDAR data were collected, reducing the point cloud density by up to 70% of the original point cloud had minimal impacts on the sign detection rates. Results of this study provide practical guidance to transportation agencies interested in understanding the tradeoff in price, quality, and coverage, when acquiring LiDAR equipment for the inventory of traffic signs on their transportation networks.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».