Improved progressive triangular irregular network densification filtering algorithm for airborne LiDAR data based on a multiscale cylindrical neighborhood
Notice bibliographique
Résumé
Laser point cloud filtering is a fundamental step in various applications of light detection and ranging (LiDAR) data. The progressive triangulated irregular network (TIN) densification (PTD) filtering algorithm is a classic method and is widely used due to its robustness and effectiveness. However, the performance of the PTD filtering algorithm depends on the quality of the initial TIN-based digital terrain model (DTM). The filtering effect is also limited by the tuning of a number of parameters to cope with various terrains. Therefore, an improved PTD filtering algorithm based on a multiscale cylindrical neighborhood (PTD-MSCN) is proposed and implemented to enhance the filtering effect in complex terrains. In the PTD-MSCN algorithm, the multiscale cylindrical neighborhood is used to obtain and densify ground seed points to create a high-quality DTM. By linearly decreasing the radius of the cylindrical neighborhood and the distance threshold, the PTD-MSCN algorithm iteratively finds ground seed points and removes object points. To evaluate the performance of the proposed PTD-MSCN algorithm, it was applied to 15 benchmark LiDAR datasets provided by the International Society for Photogrammetry and Remote Sensing (ISPRS) commission. The experimental results indicated that the average total error can be decreased from 5.31% when using the same parameter set to 3.32% when optimized. Compared with five other publicized PTD filtering algorithms, the proposed PTD-MSCN algorithm is not only superior in accuracy but also more robust.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».