TITAN to Google Earth: Workflow for Data Processing for Mobile Terrestrial LIDAR
Notice bibliographique
Résumé
Terrestrial LIDAR scanners are pushing the boundaries of accurate urban modelling. Automation and the usability of tools used in feature abstraction and, to a lesser degree, presentation have become the chief concerns with this new technology. To broaden the use and impact of LIDAR in the geomatics, LiDAR datasets must be converted to feature-based representations without loss of precision. One approach, taken here, is to simultaneously examine the overall path that data takes through an organization and the operatordriven tasks carried out on the data as it is transformed from a raw point cloud to final product. We present a review of the current practices in LiDAR data processing and a foundation for future efforts to optimize. We examine alternative LIDAR processing workflows with two key questions in mind: computational efficiency - whether the process can be done using the tools at all - and tool complexity - what operator skill level is needed at each step. Using these workflows the usability of the specific software tools and the required knowledge to effectively carry out the procedures using the tools are examined. Preliminary results have yielded workflows that successfully translate LIDAR to 3D object models, highly decimated point representations of street data represented in Google Earth, and large volume point data flythroughs in ESRI ArcScene. We are documenting the pragmatic limits on each of these workflows and tools for endusers. Terrestrial LIDAR brings with it new innovations for spatial visualizations, but also questions of viability. The technology has proved valuable for specialized applications for experts, but can it be useful as a tool for proliferating 3d spatial information by and to non-experts. This study illustrates the issues associated with preparing 3d LIDAR data for presentation in mainstream visualization 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.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,027 |
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 ».