Integrating OpenStreetMap tags for efficient LiDAR point cloud classification using graph neural networks
Notice bibliographique
Résumé
The urban environment exhibits significant vertical variations, Light Detection and Ranging (LiDAR) point cloud classification can provide insights for the 3D morphology of the urban environment. Introducing the adjacency relationships between urban objects can enhance the accuracy of LiDAR point cloud classification. Graph Neural Network (GNN) is a popular architecture to infer the labels of urban objects by utilizing adjacency relationships. However, existing methods ignored the power of the known labels of urban objects, such as crowd-sourced tagged labels from OpenStreetMap (OSM) data, in the inferring process. Therefore, this study proposes a strategy introduces OSM data into GNN for LiDAR point cloud classification. First, we perform an over-segmentation of the LiDAR point cloud to obtain superpoints, which act as basic elements for constructing superpoint adjacency graphs. Second, PointNet is applied to embed superpoint features and edge features are generated using these superpoint features. Finally, OSM data is associated with some part of superpoints and incorporated into the GNN to update the embedded features of superpoints. The results demonstrate that the GNN with OSM data significantly improves the classification accuracy of original GNN. The improvement highlights taking advantage of crowd-sourced geoinformation in LiDAR point cloud classification for understanding 3D urban landscape.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».