Semiautomatic Construction of 2-D Façade Footprints From Mobile LiDAR Data
Notice bibliographique
Résumé
Although mobile light detection and ranging (LiDAR) technology has excellent potential in mapping street scenes, there is little research in constructing façade footprints from unorganized, uneven, and incomplete mobile LiDAR point clouds. In fact, façade footprint vectorization from mobile LiDAR data still involves a lot of manual work, especially in complex street scenes with various types of buildings. In this paper, we present a new and effective framework for extracting 2-D façade footprints from mobile LiDAR point clouds. The proposed framework consists of three steps: 1) line segment extraction from projected point clouds based on a hypotheses and selection strategy; 2) completion of missing parts between adjacent walls using line intersections; and 3) delineation of footprints through finding the least cost path in the graph of the line segments. We compare our method with several existing ones and discuss its robustness against data missing and noise such as nonwall structures and vegetation. Our proposed method is also tested in two large-scale data sets, a residential data set, and an urban data set. The coverage ratio, i.e., the percentage of outer wall points covered by the generated outlines in the residential data set is 93.4% and 91.7% in the urban data set is achieved. The mean distance between points of ground truth and constructed footprints for the residential data set and urban data set is 0.019 and 0.028 m, respectively. The experimental results demonstrate that the proposed framework is effective in modeling various façade footprints from mobile LiDAR point clouds.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».