A Fast Progressive TIN Densification Filtering Algorithm for Airborne LiDAR Data Using Adjacent Surface Information
Notice bibliographique
Résumé
Point cloud filtering is a preliminary and essential step in various applications of airborne LiDAR (light detection and ranging) data, with progressive triangulated irregular network (TIN) densification (PTD) being one of the classic methods for filtering LiDAR point clouds. The PTD algorithm densifies ground points through iteration operation based on initial ground seed points. However, the poor performance in steeply sloped areas and time-consuming processing are serious drawbacks for PTD algorithms. In this paper, we propose a fast progressive TIN densification (FPTD) filtering algorithm for airborne LiDAR data using adjacent surface information. After carefully establishing parameters and removing outliers, our improved FPTD uses a sliding window to obtain significantly more initial ground seed points. And we modified some iterative determination criterion, including the definition of maximum relative elevation threshold and the introduction of signed computation, to eliminate avoidable non-ground points. Then adjacent surface information was utilized to iterate each point cloud block, which is the smallest unit that point cloud can be segmented. Additionally, the algorithm is easily run in a multi-threaded environment, further accelerating the filtering process to some extent. Experiments show that our proposed FPTD filtering algorithm is fast and robust. Compared to the PTD, the FPTD algorithm yields better error rates and kappa coefficients in 1/12 of the time required by the PTD.
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 ».