Classification automatique de nuages de points issus de LiDAR aéroporté par réseau à convolutions continues
Notice bibliographique
Résumé
Les données issues de LiDAR aéroporté permettent de modéliser de façon précise la topographie d’un territoire et sont utilisées dans différents contextes. Le processus de classification du nuage de points permet d’assigner une classe d’occupation du sol à chacun des points. La quantité et la répartition non homogène de ces points complexifient grandement l’automatisation de cette tâche. Pour certaines classes d’objets, les algorithmes traditionnels ne réussissent pas à classifier correctement les points avec un niveau de qualité satisfaisant. C’est le cas pour les classes "bâtiments", "plans d’eau" et "végétation". Ce faisant, cette étape nécessite une intervention manuelle importante afin de corriger la classification effectuée automatiquement, augmentant ainsi le coût de valorisation de ces données. Le succès des algorithmes d’apprentissage profond en vision par ordinateur a mené à une révolution dans différents domaines, notamment en traitement d’images satellitaires. Ces succès ont inspiré diverses recherches sur la classification de nuages de points. La plupart de ces recherches portent sur le traitement de nuages de points issus de LiDAR mobile terrestre, mais elles peuvent très bien être adaptées pour le traitement de données LiDAR aéroporté. Cette recherche vise à utiliser une méthode d’apprentissage profond pour permettre une automatisation du processus de classification de nuages de points aéroportés, en évaluant une méthode sur deux jeux de données de contextes variés (urbain et rural), puis en modifiant la méthode de sélection des sous-ensembles de points pour qu’elle soit adaptée à la densité locale. La méthode originale a été testée sur deux jeux de données couvrant près de 16 000 km2, près de Montréal (QC) et de St-Jean (NB) et l’amélioration a été évaluée sur le jeu de données de référence DALES. La méthodologie utilisée est basée sur une adaptation de l’opération de convolution de Boulch (2020) appelée ConvPoint. Cette opération de convolution continue a été utilisée dans une architecture de type encodeur-décodeur qui permet de classifier les points directement, sans avoir recours à une étape de sursegmentation. En expérimentant avec différentes configurations, nous avons obtenu d'excellents résultats d'Intersection-sur-Union (IoU) pour les classes "Végétation moyenne-haute" (93 %) et "Bâtiment" (86 %) sur les ensembles de données de Montréal et Saint-Jean. La taille de bloc adaptative a conduit à certains gains de performances sur le jeu de données de référence DALES ainsi qu'à une sensibilité réduite aux hyperparamètres de la ConvPoint.
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 | 0,002 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».