FARKLI MLS NOKTA BULUTU YOĞUNLUKLARININ VE KOMŞULUK YÖNTEMLERİNİN KONTROLLÜ SINIFLANDIRMAYA ETKİSİ
Notice bibliographique
Résumé
ÖZETMobil Lazer Tarama (MLS) sistemleri, genellikle kentsel alanların ve yol ağlarının 3-boyutlu haritalanmasında tercih edilen, hızlı, yüksek doğrulukta ve yüksek yoğunlukta bir veri toplama yöntemidir.Bu araştırmada, MLS nokta bulutu sınıflandırmasında geleneksel olarak kullanılan yöntemlerden olan 2-boyutlu ve 3-boyutlu k-en yakın komşuluk (kNN), küresel ve silindirik komşuluk yöntemleri değerlendirilmiştir.İşlem süresini azaltmak ve beraberinde farklı komşuluk hesabı yöntemlerinin düşük yoğunluktaki nokta bulutlarındaki sonuca etkisini değerlendirmek amacıyla veri alt örnekleme uygulanmıştır.Bu hususta; 3 ana aşamada nokta tabanlı kontrollü sınıflandırma işlemi gerçekleştirilmiştir: (i) yerel komşuluk ilişkisinin kurulması, (ii) öznitelik bilgisinin çıkarılması ve (iii) nokta tabanlı sınıflandırma.Yöntemler, araç tabanlı MLS sistemleriyle toplanmış ve her biri 8 semantik sınıfı içeren TUM-MLS1 ve Toronto-3D nokta bulutları üzerinde test edilmiştir.Asıl ve farklı yoğunluklardaki alt örneklemlere ayrılan nokta bulutlarından, belirlenen sabit parametreli yerel komşuluk türlerine göre geometrik ve şekil tabanlı öznitelikler çıkarılmış ve Rastgele Orman sınıflandırma yöntemi her bir noktayı etiketlemede tercih edilmiştir.Sonuç olarak, her iki nokta bulutu verisinde de %95,1 genel doğrulukta silindirik komşuluk yöntemi kullanılarak en iyi sonuç elde edilmiştir.Nokta bulutu yoğunluğunun azaltılmasıyla işlem süresi bakımından bütün yöntemlerde beklendiği üzere azalmalar gözlenmiş olup genel doğruluklarda da kayıplar olduğu gözlemlenmiştir.Ancak bu bağlamda küresel ve silindirik komşuluklara kıyasla kNN yöntemlerinin (2-ve 3-boyutlu) nokta boyutu yoğunluğundan diğer yöntemlere nazaran çok daha az etkilendiği ve düşük nokta bulutu yoğunluğunda en iyi performansın belirtilen iki farklı veri seti için 2-boyutlu kNN ile sağlandığı sonucuna varılmıştır.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 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 ».