Amélioration de la segmentation tridimensionnelle des bâtiments dans les modèles de villes 3D à l’aide de données simulées et d’analyse contextuelle
Bibliographic record
Abstract
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.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| 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 | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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; 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".