A Large-Scale Building Unsupervised Extraction Method Leveraging Airborne LiDAR Point Clouds and Remote Sensing Images Based on a Dual P-Snake Model
Notice bibliographique
Résumé
Automatic large-scale building extraction from the LiDAR point clouds and remote sensing images is a growing focus in the fields of the sensor applications and remote sensing. However, this building extraction task remains highly challenging due to the complexity of building sizes, shapes, and surrounding environments. In addition, the discreteness, sparsity, and irregular distribution of point clouds, lighting, and shadows, as well as occlusions of the images, also seriously affect the accuracy of building extraction. To address the above issues, we propose a new unsupervised building extraction algorithm PBEA (Point and Pixel Building Extraction Algorithm) based on a new dual P-snake model (Dual Point and Pixel Snake Model). The proposed dual P-snake model is an enhanced active boundary model, which uses both point clouds and images simultaneously to obtain the inner and outer boundaries. The proposed dual P-snake model enables interaction and convergence between the inner and outer boundaries to improve the performance of building boundary detection, especially in complex scenes. Using the dual P-snake model and polygonization, this proposed PBEA can accurately extract large-scale buildings. We evaluated our PBEA and dual P-snake model on the ISPRS Vaihingen dataset and the Toronto dataset. The experimental results show that our PBEA achieves an area-based quality evaluation metric of 90.0% on the Vaihingen dataset and achieves the area-based quality evaluation metric of 92.4% on the Toronto dataset. Compared with other methods, our method demonstrates satisfactory performance.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».