Amélioration de la segmentation tridimensionnelle des bâtiments dans les modèles de villes 3D à l’aide de données simulées et d’analyse contextuelle
Notice bibliographique
Résumé
Les jumeaux numériques gagnent en popularité pour simuler des environnements naturels et urbains complexes. Dans ce contexte, une segmentation précise des objets au sein d'environnements urbains 3D revêt une importance cruciale. L'objectif de ce projet est de développer une méthodologie pour extraire les bâtiments à partir de maillages texturés. Pour ce faire, PicassoNet-II, un modèle de segmentation sémantique, est employé. La méthodologie intègre également une analyse contextuelle basée sur les champs de Markov pour évaluer les caractéristiques post-segmentation. De plus, l'instanciation des bâtiments s'effectue grâce à des algorithmes d'analyse par cluster. L'entraînement de ce modèle pour qu'il s'adapte à divers ensembles de données requiert une grande quantité de données annotées, issues à la fois de la ville de Québec, Canada, et de données simulées. Les résultats expérimentaux démontrent que l'utilisation de données simulées améliore significativement la précision de la segmentation, et l'algorithme DBScan se révèle efficace pour extraire les bâtiments isolés. Ce projet ouvre la voie à des applications améliorées dans la modélisation urbaine 3D, offrant des opportunités dans des domaines allant de la planification urbaine à la gestion des ressources. Les résultats positifs avec des données simulées renforcent l'impact de cette recherche sur l'amélioration des modèles numériques de nos environnements urbains en constante évolution.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».