Evaluating Semantic Segmentation–Based Scene Descriptions for Multilane Rural Highway Point Clouds against Ground Truth
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
This study investigates the use of two transformer-based models for generating semantic scene descriptions from semantically labeled point clouds of multilane rural highway segments, focusing on automating the extraction of detailed infrastructure elements. Two models were employed: Point Transformer v2, and a transformer-based point classification model with self-attention and cross-attention mechanisms, classifying 11 infrastructure classes along three rural highways in Alberta, Canada, capturing detailed point clouds under clear weather conditions. Each model incorporated specialized loss functions to address class imbalances and improve segmentation accuracy through a series of advanced neural network architectures, including self-attention and cross-attention layers to enhance inter-point relationships and model generalization. Two large language models (LLMs), Google Gemini and GPT-4o, were used to generate descriptive text based on the segmented point clouds. The LLMs provided detailed, structured narratives capturing visible highway features. The transformer-based point classification model outperformed Point Transformer v2, achieving an average F1 score of 71%, mean Intersection over Union (mIoU) of 61%, and precision exceeding 90% for critical infrastructure classes such as traffic signs, concrete barriers, light poles, and vegetation. Despite semantic segmentation accuracy differences, both models generated natural language scene descriptions that aligned closely with ground truth, with semantic similarity scores surpassing 80%. This consistency in descriptive accuracy underscores the robustness of both models in producing reliable, contextually relevant text. These results highlight the potential of integrating transformer-based models and LLMs for effective semantic segmentation and text description in rural highway infrastructure.
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 | 0,000 | 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 | 0,000 | 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 découle