Automated extraction of building instances from dual-channel airborne LiDAR point clouds
Notice bibliographique
Résumé
With the rapid development of Light Detection And Ranging (LiDAR) systems, the novel dual-channel airborne LiDAR systems have emerged to provide more complete and precise data than traditional scanners for building instance extraction since 2013. RIEGL VQ-1560i, launched in 2016, is a state-of-the-art dual-channel LiDAR system, which is capable of capturing dense points on building rooftops and façades simultaneously, due to the unique and innovative bidirectional scanning angle. Our proposed method is the first ever to use dual-channel airborne LiDAR data for subsequent point clouds processing. The main challenges of the new LiDAR data are significant amount of points, complex data structure and multi-class targets. We proposed a preprocessing-free building instance extraction method consisting of three steps, i.e., point cloud reorganization, rasterization, and constraint-based labeling for improving the extraction performance. First, point cloud reorganization, consisting of point distribution-based slicing, coarse 3D semantic segmentation, and top-down merging, is used to reorganize point cloud scene into interrelated point groups. This greatly reduces the processing difficulty and computational burden of complex structures while removing multiple classes of non-building points. Second, we rasterize the point groups into images to further reduce computational complexity while improving processing efficiency. Finally, we utilize the upper and lower structural relationship of buildings to label them and then remap into 3D buildings. Experimental results on six test point cloud scenes demonstrate the outstanding performance of the proposed preprocessing-free method. For semantic-level performance, our method achieves 95.36% in average recall and 93.59% in average F1-score. While for instance-level performance, our approach reaches 92.86% and 98.31% in quality on two public test scenes, respectively.
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) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 ».