A Maximum Entropy Based Outlier Removal for Airborne LiDAR Point Clouds
Notice bibliographique
Résumé
Airborne light detection and ranging (LiDAR) data often suffer from noisy returns hovering in empty space within the collected 3-D point clouds. This can be attributed to system-induced factors, such as timing jitter and range walk error, or instantaneous air conditions, such as smoke, rain, clouds, etc. These floating points are indeed outliers, which significantly affect the subsequent analytical processes. Though various point cloud denoising methods are proposed based on sparsity assumption and elevation, they are highly unlikely to remove both clustered and scattered noisy points, especially those located close to the point clouds. Meanwhile, the performance of existing methods does not perform well when noisy points appear close to the ground or on rugged terrain. Accordingly, we propose a maximum entropy based outlier removal (MEOR) method for airborne LiDAR point clouds. More specifically, the proposed method includes two stages, i.e., one global coarse outlier removal stage (MEOR-G) and the subsequent local refined outlier removal stage (MEOR-L). In each stage, the MEOR algorithm is exploited to 1) produce an elevation histogram for the point clouds, 2) search for the elevation threshold to distinguish noisy points and valid points, and 3) remove noisy points and preserve valid data points. We conduct several comprehensive experiments to compare the performance of our proposed MEOR against four other existing noisy point removal methods on four LiDAR datasets. The experimental results demonstrate that MEOR significantly outperforms four other denoising methods by simultaneously removing clustered and scattered noisy points and achieves an improvement by 0.126–99.815%, 0–100%, 0.001–8.454%, and 0.053–99.691% in terms of recall, precision, overall accuracy, and F1 score, respectively.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».