An Automatic Registration Approach to Laser Point Sets Based on Multidiscriminant Parameter Extraction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The iterative closest point (ICP) algorithm is one of the most widely used methods for point sets' registration. However, ICP is very sensitive to the selection of initial points and is easy to fall into local optimum. To address this problem, many techniques have been developed. In this study, a two-step registration method is proposed for two 3-D point sets' registration, which is achieved by a combination of rough and fine registrations. Specifically, a multidiscriminant parameter feature (MDPF) extraction approach is developed and embedded into the rough registration stage in order to find new corresponding point pairs for the fine registration. Three geometric features are chosen after experimental investigation for key points selection. By using the threshold discriminant condition to determine the key points and the distance constraint to eliminate the wrong point pairs, the feature points can be extracted, and the final transform parameters can be derived based on these feature points. In order to improve the computational efficiency for fine registration, the center of gravity is created to find the closest point in solving the transformation matrix, which is especially beneficial for registering complex surfaces. Experimental results show that the proposed method outperforms the traditional ICP approach and some typical existing improved algorithms in terms of the root-mean-square error (RMSE), the total number of feature points, and the execution time. In particular, the performance is improved 40% in terms of the RMSE and 50% in terms of the execution time in comparison with ICP on some benchmark data sets. Experiments also demonstrate that reliable reconstruction results can be obtained for both real outdoor and indoor environments.
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.
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 découle