GreenSegNet: A Novel Deep Learning Architecture for Urban Vegetation Segmentation From MLS Data
Notice bibliographique
Résumé
Deep learning (DL) models combined with mobile laser scanning (MLS) datasets have demonstrated immense potential for vegetation segmentation. However, restricted performance and inconsistent behavior across datasets by generic DL models offer notable concerns. Furthermore, to capture the characteristic distribution of vegetation points toward effective segregation, a dedicated model for vegetation segmentation is essential. In addition, with curated class-specific DL models being conceptualized, the same is indispensable for vegetation. To address this problem, we propose a novel DL architecture, green segmentation network (GreenSegNet), tailored for vegetation segmentation from MLS point cloud data. Toward a comprehensive assessment, GreenSegNet has been investigated on MLS datasets from three study sites, Chandigarh, Toronto3D, and Kerala. GreenSegNet has illustrated state of the art (SOTA) as well as consistent segmentation performance across all the datasets. GreenSegNet has achieved mean intersection over union (mIoU) as follows: Chandigarh 96.43%, Toronto3D 92.70%, and Kerala 90.16%. In addition, with less than one million parameters, the architecture is the most efficient with respect to the number of parameters among the representative DL models. The associated ablation studies conform to the effectiveness of GreenSegNet. Unlike other SOTA models, GreenSegNet is found robust across different datasets and terrains.
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 | 0,001 | 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 ».