Road Curbs Extraction from Mobile Laser Scanning Point Clouds with Multidimensional Rotation‐Invariant Version of the Local Binary Pattern Features
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Road curb is one of the important components of road information, and its high‐precision information is significant for the development of autonomous driving, intelligent transportation and smart cities. A mobile laser scanning (MLS) system can acquire high‐precision and high‐density road three‐dimensional (3D) point clouds data, which has the advantages of high efficiency, low cost and non‐contact. However, how to extract accurate road information from the massive and disordered point clouds is one of the current research priorities and difficulties. This paper presents a new method to extract the road curbs from the MLS point clouds. The proposed method mainly includes three steps: pre‐processing, road curbs extraction and vectorisation. Pre‐processing obtains the ground, including road subsection and ground identification. Road curbs are first quantitatively represented by the rotation‐invariant version of the local binary pattern (LBPROT) values in three dimensions, including spatial elevation mode, spatial dispersion mode and spatial shape mode, and then they are extracted by a multidimensional LBPROT features semantic recognition model. Vectorised road curb polylines are connected by accurate road curbs points, which are obtained through simplification and denoising. The proposed method was tested on two large‐scale datasets collected from arterial roads and expressways, respectively. The precision of the results was > 95%, recall was > 90% and the F1 score was > 0.93. The experimental results show that the proposed method can effectively extract road curbs in different environments and has robust adaptability.
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.
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 | 0,001 |
| 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 découle