The Forensic Utility of Photogrammetry in Surface Scene Documentation
Notice bibliographique
Résumé
Outdoor crime scene documentation needs to be accurate and precise to preserve evidence. Photogrammetry is a potential option. Structure from Motion (SfM) processes photographs into 3D models. As commercial software does not disclose this process, this documentation technique could be legally inappropriate. A potential solution to this problem is open-source software. A series of mock outdoor crime scenes were documented using SfM and total station mapping. Ten large surface scatter scenes containing plastic human remains and personal objects were laid out in 10 × 10 m units in a New England forested environment. The small surface scatter scenes consisted of a pig (Sus scrofa) mandible placed in different environments. The resulting models were built using PhotoScan by AgiSoft and MicMac by IGN. Accuracy was measured by the amount of variance in fixed-datum measurements, whereas visual qualitywas determined by comparison. The average total variance in fixed-datum lengths for six of the ten scenes was below 0.635 cm. The maximum differences in measurement between the total station and software measurements were 0.0917 m (PhotoScan) and 0.178 m (MicMac). Comparative histograms had low standard deviations and mean distances between points. Conditions such as light, ground foliage and topography affect model quality. This research shows that SfM has the potential to be a rapid, accurate and low-cost resource, but there are limitations that must be considered.
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 | 0,006 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
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 ».