Digital twins of building extraction from dual-channel airborne LiDAR point clouds
Notice bibliographique
Résumé
The new dual-channel airborne LiDAR system can acquire dense point clouds of roofs and facades at the same time, RIEGL VQ-1560i has the most advanced dual-channel LiDAR system with unique and innovative bi-directional scanning angles, which provides better building instance extraction than traditional Scanner for more complete and precise data.This abstract presents the first point cloud building extraction for urban digital twins using dual-channel airborne LiDAR data.The main challenges of this lidar data are the large number of points, complex data structure, and multiple classes of objects.We propose a preprocessing-free architectural extraction method.It consists of three steps, namely point cloud slicing, projection, and constraint-based extraction of labels.Point cloud slices consist of top-down merging of elevation and 3D semantic segmentation to reorganize point cloud scenes 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 project the point group into an image to further reduce computational complexity while improving processing efficiency.Finally, we label the building with its up-down relationship and remap it as a 3D building.Experimental results show that the proposed method achieves an average recall rate of 95.36% and an average F1 score of 93.59%.For digital twin instance segmentation, the quality of the two public test scenarios reaches 92.86% and 98.31%, 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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».