DETECTION AND SEGMENTATION OF POLE-LIKE OBJECTS IN MOBILE LASER SCANNING POINT CLOUDS
Notice bibliographique
Résumé
Abstract. Pole-like object (PLO) detection and segmentation are important in many applications, such as 3D city modelling, urban planning, road assets monitoring, intelligent transportation, road safety, and forest monitoring. Arguably, vehicle-based mobile laser scanning (MLS) is the best on-road data acquisition system, because it is fast, precise and non-invasive. As part of that, laser scanning georeferenced data (i.e., point clouds) provide detailed structural morphology of the scanned objects. However, point clouds are not free from outliers and noise. Critically, many of the object extraction methods that depend on local saliency features (e.g., normals)-based segmentation use principal component analysis (PCA). PCA can provide the local features but struggle to produce robust results in the presence of outliers and noise. To reduce the influence of outliers for saliency features estimation and in segmentation, this paper employs Robust distance-based Diagnostic PCA (RD-PCA) coupled with the well-known DBSCAN clustering algorithm. This study contributes to a better understanding of object detection and segmentation by (i) exploring the problems of local saliency features estimation in the presence of outliers and noise; (ii) understanding problems with PCA and why RD-PCA is important; and (iii) introducing a novel method for PLOs detection and segmentation following a robust segmentation approach. The performance of the new algorithm is demonstrated through MLS data acquired in an urban road setup.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».