A Maximum Entropy-Based Optimal Neighbor Selection for Multispectral Airborne LiDAR Point Cloud Classification
Notice bibliographique
Résumé
Multispectral LiDAR technology was recently invented to improve the capability of thematic mapping through incorporating visible/infrared spectral information. Similar to image processing, point cloud classification usually considers contextual features derived from surrounding points to improve the model accuracy. Some of the existing methods construct contextual features of point clouds by querying a fixed scale/number of neighbor points or selecting a variable size neighborhood based on some optimality criterion. Although these methods are able to collect neighbor points to derive contextual features, they may also in turn introduce heterogeneity from the local neighborhood or select insufficient neighbor points, hindering the performance of classification. Therefore, we propose an optimal neighbor selection method based on the maximum entropy (MaxEnt) principle. More specifically, the proposed method determines the homogeneity of local neighborhood of each point and constructs geometric and radiometric features based on the use of MaxEnt to determine optimal points nearby. The constructed contextual features are then served as input into various machine learning classifiers for point cloud classification. Extensive experiments are conducted to compare the performance of MaxEnt against six other neighbor selection methods. The experimental results demonstrate that MaxEnt is able to achieve better classification results on multispectral airborne LiDAR data collected by Optech Titan in terms of overall accuracy improvement by 7.3-19.1%. Moreover, MaxEnt is proven to be more suitable for land cover scenarios with imbalanced classes caused by detailed and tiny objects, e.g., perimeter fencings and power lines, than other existing neighbor selection methods.
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 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».