FARKLI MLS NOKTA BULUTU YOĞUNLUKLARININ VE KOMŞULUK YÖNTEMLERİNİN KONTROLLÜ SINIFLANDIRMAYA ETKİSİ
Bibliographic record
Abstract
ÖZETMobil Lazer Tarama (MLS) sistemleri, genellikle kentsel alanların ve yol ağlarının 3-boyutlu haritalanmasında tercih edilen, hızlı, yüksek doğrulukta ve yüksek yoğunlukta bir veri toplama yöntemidir.Bu araştırmada, MLS nokta bulutu sınıflandırmasında geleneksel olarak kullanılan yöntemlerden olan 2-boyutlu ve 3-boyutlu k-en yakın komşuluk (kNN), küresel ve silindirik komşuluk yöntemleri değerlendirilmiştir.İşlem süresini azaltmak ve beraberinde farklı komşuluk hesabı yöntemlerinin düşük yoğunluktaki nokta bulutlarındaki sonuca etkisini değerlendirmek amacıyla veri alt örnekleme uygulanmıştır.Bu hususta; 3 ana aşamada nokta tabanlı kontrollü sınıflandırma işlemi gerçekleştirilmiştir: (i) yerel komşuluk ilişkisinin kurulması, (ii) öznitelik bilgisinin çıkarılması ve (iii) nokta tabanlı sınıflandırma.Yöntemler, araç tabanlı MLS sistemleriyle toplanmış ve her biri 8 semantik sınıfı içeren TUM-MLS1 ve Toronto-3D nokta bulutları üzerinde test edilmiştir.Asıl ve farklı yoğunluklardaki alt örneklemlere ayrılan nokta bulutlarından, belirlenen sabit parametreli yerel komşuluk türlerine göre geometrik ve şekil tabanlı öznitelikler çıkarılmış ve Rastgele Orman sınıflandırma yöntemi her bir noktayı etiketlemede tercih edilmiştir.Sonuç olarak, her iki nokta bulutu verisinde de %95,1 genel doğrulukta silindirik komşuluk yöntemi kullanılarak en iyi sonuç elde edilmiştir.Nokta bulutu yoğunluğunun azaltılmasıyla işlem süresi bakımından bütün yöntemlerde beklendiği üzere azalmalar gözlenmiş olup genel doğruluklarda da kayıplar olduğu gözlemlenmiştir.Ancak bu bağlamda küresel ve silindirik komşuluklara kıyasla kNN yöntemlerinin (2-ve 3-boyutlu) nokta boyutu yoğunluğundan diğer yöntemlere nazaran çok daha az etkilendiği ve düşük nokta bulutu yoğunluğunda en iyi performansın belirtilen iki farklı veri seti için 2-boyutlu kNN ile sağlandığı sonucuna varılmıştır.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".