FOTOGRAMETRİK NOKTA BULUTLARINDAN MAKİNE ÖĞRENMESİ YÖNTEMİ İLE BİNA ÇIKARIMI
Notice bibliographique
Résumé
Fotogrametrik yöntemlerle üretilen nokta bulutları, objelere ait renk ve 3 boyutlu konum bilgisini içermesi sayesinde yeryüzüne ait karakteristiklerin gösteriminde kullanılmaktadır.Ancak üretilen nokta bulutlarındaki arazi kullanım sınıflarının tespit edilebilmesi için 3 boyutlu sayısallaştırma işleminin yapılması gerekmektedir.Bu işlemin zaman alıcı olması ve hedef bölgenin boyutuna göre donanım problemleri ile karşılaşılmasından dolayı hedef objelere ait otomatik çıkarım yapılması, iş gücü ve dökümantasyon açısından önemlidir.Gelişmekte olan makine öğrenmesi algoritmaları sayesinde elde edilen verilerin sınıflandırılması, fotogrametrik nokta bulutlarındaki objelerin çıkarımı için kullanılabilmektedir. Bu çalışma kapsamında, makine öğrenmesi temelli bir sınıflandırma algoritması olan Rastgele Orman (RO) sınıflandırıcısının, açık kaynaklı bir kentsel alan veri setindeki bina çıkarım performansı incelenerek, RO sınıflandırıcısı tarafından seçilen en etkili parametreler incelenmiştir.Test işlemi sonucunda 0.816
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,005 |
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 ».