Integrating ensemble prediction constraints and error prediction entropy maximization for MLS point cloud classification
Notice bibliographique
Résumé
目前，许多深度学习点云分类方法通过增加点云特征聚合模块，增强点云特征的表达能力。但该类方法往往会带来训练参数增加以及模型过拟合的问题。针对该问题，本文提出了一个整合集成预测约束与错误预测熵最大化的深度学习方法用于移动激光扫描（Mobile Laser Scanning， MLS）点云分类。方法通过集成预测约束分支以及错误预测熵最大化分支可以在不增加训练参数的情况下，增强基线网络的点云特征表达，提高模型泛化能力。其中集成预测约束分支首先通过记录点云在训练过程中的预测值，生成集成预测值，然后采用一致性约束增强模型的点云特征表达。错误预测熵最大化方法鼓励模型对错误预测点进行熵值最大化，增加该点的不确定性，提高模型的泛化能力。所提方法在多个公开MLS点云数据集上进行验证，结果表明所提方法可以在不增加训练参数的情况下，提高基线方法的分类性能。与对比方法相比，所提方法在Toronto3D、WHU-MLS、Paris数据集上获得了最优的平均交并比（83.68%、44.19%、65.85%），表明了方法的有效性。
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».