基于数据增强与掩码学习的移动激光扫描点云分类方法
Notice bibliographique
Résumé
车载移动激光扫描（ MLS）点云可以精确描述道路周围场景，其分类结果可为智能交通、数字孪生城市、高精地图及辅助驾驶等任务提供数据基础。为增强点云分类模型提取特征的表达能力，提高预测的鲁棒性，提出一个基于数据增强与掩码学习的MLS点云分类方法。所提方法主要由高程校准的Mix3D（EC-Mix3D）点云增强策略和掩码学习框架构成。其中，EC-Mix3D策略用于对训练数据进行高程校准的场景混合，扩充训练样本分布，提高模型预测的鲁棒性；掩码学习框架首先对输入点云施加随机块掩码操作获取掩码点云，然后对原始点云和掩码点云的预测进行标签监督学习、一致性约束及错误预测熵最大化，提高对点云特征的表达能力。采用公共MLS数据集（Toronto3D和Pairs数据集）进行方法验证。实验结果表明，所提方法可以对MLS点云进行有效分类，在两个测试数据集上分别获得了83.8%和68.74%的平均交并比，优于其他对比方法。
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».