A Building Detection Method Based on Semi-Suppressed Fuzzy C-Means and Restricted Region Growing Using Airborne LiDAR
Notice bibliographique
Résumé
Building detection using airborne Light Detection And Ranging (LiDAR) data is the essential prerequisite of many applications, including three-dimensional city modeling. In the paper, we propose a coarse-to-fine building detection method that is based on semi-suppressed fuzzy C-means and restricted region growing. Based on a filtering step, the remaining points can be separated into two groups by semi-suppressed fuzzy C-means. The group contains points that are located on building roofs that form a building candidate set. Subsequently, a restricted region growing algorithm is implemented to search for more building points. The proposed region growing method perfectly ensures the rapid growth of building regions and slow growth of non-building regions, which enlarges the area differences between building and non-building regions. A two-stage strategy is then adopted to remove tiny point clusters with small areas. Finally, a minimum bounding rectangle (MBR) is used to supplement the building points and refine the results of building detection. Experimental results on five datasets, including three datasets that were provided by the International Society for Photogrammetry and Remote Sensing (ISPRS) and two Chinese datasets, verify that most buildings and non-buildings can be well separated during our coarse building detection process. In addition, after refined processing, our proposed method can offer a high success rate for building detection, with over 89.5% completeness and a minimum 91% correctness. Hence, various applications can exploit our proposed method.
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 ».