Automatic Road Extraction From Dense Urban Area by Integrated
Notice bibliographique
Résumé
Automated and reliable 3D city model acquisition is an increasing demand. Automatic road extraction from dense urban areas is a challenging issue due to the high complex image scene. From imagery, the obstacles of the extraction stem mainly from the difficulty of finding clues of the roads and complexity of the contextual environments. One of the promising methods to deal with this is to use data sources from multi-sensors, by which the multiple clues and constraints can be obtained so that the uncertainty can be minimized significantly. This paper focuses on the integrated processing of high resolution imagery and LIDAR (LIght Detection And Ranging) data for automatic extraction of grid structured urban road network. Under the guidance of an explicit model of the urban roads in a grid structure, the method firstly detects the primitives or clues of the roads and the contextual targets (i.e., parking lots, grasslands) both from the color image and lidar data by segmentation and image analysis. Evidences of road existing are contained in the primitives. The candidate road stripes are detected by an iterative Hough transform algorithm. This is followed by an procedure of evidence finding and validation by taking advantage of high resolution imagery and direct height information of the scene derived from lidar data. Finally the road network is formed by topology analysis. In this paper, the strategy and corresponding algorithms are described. The test data set is color ortho-imagery with 0.5 m resolution and lidar data of Toronto downtown area. The experimental results in the typical dense urban scene indicate it is able to extract the roads much more reliable and accurate by the integrated processing than by using imagery or lidar separately. It saliently exhibits advantages of the integrated processing of the multiple data sources for the road extraction from the complicated scenes. 1.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».