Optimiser la performance de calcul pour la cartographie en temps réel avec un Laser Scanner aéroporté
Bibliographic record
Abstract
Cet article est essentiellement la traduction de: Skaloud J. & Schaer P.: Optimizing Computational Performance for Real-Time Mapping with Airborne Laser Scanning, présenté lors de: Technical Commission I Symposium, WG I/5 Commission I, Calgary, June 2010 et publié dans: The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences; vol. 38, num. 1, 2010. Il s'inscrit dans la continuité de contributions publiées dans Géomatique Suisse 9/2008 et 3/2009. Dans cet article, on évalue et on optimise les procédures de calcul pour la cartographie en temps réel à partir des mesures d'un laser scanner aéroporté. Les étapes considérées incluent le géoréférencement direct (GRD) du nuage de points, en temps réel et avec la résolution maximale, l'analyse de la couverture et de la densité des bandes scannées, la propagation d'erreur, la classification du sol, la production des modèles numériques de surface (MNS) et de terrain (MNT), ainsi que l'estimation de la qualité du MNT. Pour chaque étape de calcul, différentes approches sont implémentées dans le système "maison" Scan2map. Leur rapidité et leur exactitude sont évaluées en conditions réelles de lever. Les investigations montrent que le GRD est possible en temps réel avec un ordinateur portable usuel pour un rythme du scanner allant jusqu'à 200 kHz. De plus, on montre que l'analyse de la couverture et de la densité du nuage de points exige moins de puissance de calcul. Il en va de même pour le calcul du MNS et la génération des ombres dues au relief. Ainsi, ces tâches peuvent être effectuées rapidement après chaque ligne de vol. En fait, la classification nécessaire pour la production du MNT ainsi que la propagation d'erreur s'avèrent les plus gourmandes en calculs. Il faut donc maximiser leur vitesse d'exécution tout en maintenant leur exactitude. Les solutions retenues sont présentées, de même que des recommandations pour les développeurs ultérieurs.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
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; both teacher heads agree on what is shown here.
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".