Façade Separation in Ground-Based LiDAR Point Clouds Based on Edges and Windows
Notice bibliographique
Résumé
Extraction of individual façades from building point clouds collected by ground-based LiDAR is vital for urban mapping and modeling. It is a challenging task due to the complexity of façades, and very few studies have been conducted. In this paper, we present a new façade separation method that can divide connected façades into building instances using point coordinates only. The proposed method consists of two steps. The first step is extracting edges and windows from building point clouds. In this step, an improved window detection method which can detect complex windows, such as bay windows, is proposed. In the second step, the separation problem is solved by minimizing a new objective function, which considers both the edge intersections and wall elevations. This objective function is constrained by the number and positions of windows. After the optimization, a subset of individual façades defined by dividing lines will be selected from potential façade candidates. The proposed method is tested in two ground-based LiDAR datasets, which contain façades of various building architectures. One dataset is acquired by static terrestrial laser scanning, and mobile LiDAR collects the other dataset. The overall precision and recall of our façade separation results are 85.5% and 74.6%, respectively. We also compare our methods with existing window detection approaches and other possible façade separation algorithms. These experiments demonstrate the effectiveness and advantages of the proposed methods.
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 | 0,001 |
| 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 ».