Reconstruction of Building LoD2 Wireframe Models Using Semantic Segmentation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract. LoD2 building models can be used in different digital twin-related applications such as urban planning, disaster management, optimizing green energy efficiency, and solar panel recommendation. Existing technology for 3D modelling of buildings still relies on a large amount of manual work due to the irregular geometries of different roof types. Wireframes have shown to be an effective representation for 3D building especially in LoD2 format. Due to the complexity and diversity of roof types in urban areas, 3D building modeling remains a challenging task. In this paper, we propose a new framework for generating 3D wireframes to model different roof types. While high-resolution airborne images can be utilized to exploit the fine details of the roofs, they have difficulties in areas with poor contrast or shadows. The proposed framework incorporates the Digital Surface Model (DSM) as an auxiliary data source to address this limitation. In this work, we focus on the extraction of roof geometrical components including lines and planes of individual buildings to achieve a consistent LoD-2 building reconstruction. The proposed methodology is divided into two phases: (1) jointly predicting building lines and roof planes from the RGB imagery and DSM and (2) generating 3D wireframes of buildings using the extracted roof planes and lines. Subsequently, height values from the point clouds are used to derive 3D wireframes. Experiments with 1,620 buildings from Fredericton, the capital of New Brunswick in eastern Canada, demonstrate an IoU of 0.9337, an F1-score of 0.939, and an F2-score of 0.9378 for the roof geometrical components detection phase, as well as an RMSE of around 0.2-0.8 meter for the final 3D building model compared to the original LiDAR data was achieved.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 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 découle