A method for automatic identification of openings in buildings facades based on mobile LiDAR point clouds for assessing impacts of floodings
Notice bibliographique
Résumé
Given the high frequency and major impact of flood events, decision-makers are in urgent need to have tools allowing them to predict or assess the impact of flood events on the population, such as flood simulation through digital 3D cities. While building’s lowest openings are more subject to potential damages during the flood, 3D building models of rural environments still lack this information. Thus, it would be required to provide the location of the building lowest openings, in the context of flood risk assessment. Unlike frequently developed methods in opening detection domain that benefit from the repetitive structure and symmetrical characterization of the openings on the facades of modern buildings in urban areas, this paper proposed a comprehensive approach that investigates low-rise residential houses of rural areas where openings have various shapes, sizes, and non-symmetrical positions on the facade. First, it proposed a generalized segmentation approach in a context involving various and complex facade structures, in the presence of frequent occlusion and noticeable point density changes. Second, it proposed a simple and consistent hole-based opening detection by effective elimination of window crossbars and curtains. Finally, by proposing an inventory of frequent challenges related to facade extraction and opening detection tasks, it enables a better understanding of the difficulties to help in providing more efficient and relevant solutions in rural residential contexts. Qualitative and quantitative evaluations were performed using an MLS real-world dataset of the Quebec Province, Canada. Related statistics revealed that the proposed approach could obtain good performance rates despite the complexity of the dataset, representative of the data acquired in real situations. Challenges regarding the characteristics of the MLS point cloud and the presence of large surrounding occlusions should be further investigated for obtaining more accurate opening information on the facade.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| 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 ».