Matching the building footprints of different vector spatial datasets at a similar scale based on one-class support vector machines
Notice bibliographique
Résumé
Automatic matching of multisource data is an important technique for achieving change detection, fusion and updating spatial data. However, most current learning methods for building footprint matching require a large number of samples, and labeling these samples is costly in terms of labor and time. Moreover, multisource building footprint data are complex and diverse leading to recognizing the different matching relationships is a hard task. Thus, this study proposes a learning-based method for recognizing multisource building footprints matching relationships by using a one-class support vector machine (OCSVM). The OCSVM was trained using only positive samples. First, a set of geometric indicators was designed to train a model and realize initial matching recognition. Then, a contextual metric was calculated based on the rough matching results, and geometric and contextual metrics were combined to train the model and realize relaxed matching recognition. Relaxed matching is an optimization process implemented after initial matching to recognize more relaxed matching relationships. In relaxed matching, a convex hull is used to recognize matching relationships besides 1:1, such as 1:n, m:1 and m:n. The experimental results showed that the proposed method outperformed indicator-weighted (weighted average) and learning-based matching methods, such as traditional SVMs and decision trees (DTs). The precision scores of the proposed model were 97.1%, 95% and 97.2% for the Wuhan (China), Beijing (China) and Richmond Hill (Canada) datasets, respectively. Furthermore, the proposed model identified the matching relationships of buildings with complex geometric features and high-density spatial distributions.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».