3DLCDM: Hybrid supervision for land cover discovery mapping of emerging urban structures in 3D remote sensing
Notice bibliographique
Résumé
Urban environments are characterized by continuous transformation, with new buildings, innovative infrastructures, evolving landforms, and emerging vegetation constantly reshaping the urban fabric. These dynamic changes create previously unannotated land cover classes that modify surface albedo, alter drainage patterns, and influence carbon storage, thereby affecting local climates, resource flows, and ecosystem services. Therefore, traditional land cover mapping methods based on static semantic labels are inherently limited. Even the most meticulously annotated datasets cannot comprehensively account for the full spectrum of urban classes. As urban environments continue to evolve, these static methods fail to capture the continual appearance of previously unannotated classes. This limitation leads to maps that quickly become outdated, incomplete, and imprecise, thereby impeding accurate environmental monitoring. To address this critical challenge, we propose Land Cover Discovery Mapping (LCDM), which integrates novel class discovery with land cover mapping, and we present an innovative end-to-end hybrid supervision framework, 3DLCDM, to implement LCDM in 3D remote sensing. The system has been tested on two high-resolution 3D point cloud datasets: one acquired via airborne LiDAR in Canada and the other obtained primarily using UAV-based LiDAR in Germany. Experimental results reveal that our 3DLCDM framework increases the mIoU for novel classes by up to 16.95% on the DALES dataset and up to 24.43% on the H3D dataset compared to baseline methods, demonstrating effective discovery capabilities under evaluation conditions that are procedurally equivalent to encountering genuinely novel urban features in practice. The proposed 3DLCDM framework demonstrates the potential to enable the continuous generation of up-to-date land cover maps that capture dynamic changes in urban morphology, thereby significantly advancing land cover discovery mapping. Furthermore, strong generalization across multiple datasets and urban feature types demonstrates the robustness of the framework’s discovery mechanisms and its capability to deliver high-fidelity maps that scale across diverse urban environments.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».