ارائه رویکردی خودکار برای تشخیص نقاط پرت در ابر نقاط لیدار به کمک SVM-CRF و نمودار جعبه ای

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 111

فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_GIS-14-2_007

تاریخ نمایه سازی: 1 مرداد 1401

چکیده مقاله:

مجموعه داده های ابر نقاط لیدار و مدل های سه بعدی (۳-D) در استخراج عوارض شهری، مدیریت جنگل داری، شهری و گردشگری، رباتیک، تولید بازی های رایانه ای و موارد دیگر کاربرد گسترده ای دارد. از سویی، وجود نقاط پرت در ابر نقاط لیدار اجتناب ناپذیر است؛ بنابراین تشخیص نقاط پرت و حذف آن از ابر نقاط لیدار به منزله گامی ضروری در پردازش ابر نقاط لیدار شناخته شده است. طی دهه های گذشته، چندین تکنیک تشخیص نقاط پرت در منابع این موضوع معرفی شده است اما بیشتر آنها از نظر زمانی هزینه برند و به نیروی متخصص انسانی نیاز دارند. به منظور کاهش این محدودیت ها، این مقاله رویکرد خودکار جدیدی برای تشخیص نقاط پرت، با استفاده از تکنیک میدان تصادفی شرطی برپایه ماشین بردار پشتیبان (SVM-CRF) و روش نمودار جعبه ای، معرفی کرده است. رویکرد نمودار جعبه ای بردار انرژی خروجی SVM-CRF را برای تشخیص نقاط پرت تجزیه و تحلیل می کند. این روش به کمک مجموعه داده محک ISPRS که برای مجموعه داده وهینگن، با هدف طبقه بندی سه بعدی و بازسازی سه بعدی ساختمان ایجاد شده بود، ارزیابی شد. به منظور ارزیابی این روش، ابتدا نقاط پرتی به صورت دستی به مجموعه داده افزوده شد؛ با این تمرکز که این نقاط جزء نقاط پرت چسبیده به اشیا باشند. سپس مراحل تحقیق برای ارزیابی توانایی روش پیشنهادی در تشخیص نقاط پرت انجام شد. نتایج این تحقیق عملکرد مدل پیشنهادی را با دقت کلی ۶۲% نشان داد. اگرچه الگوریتم RANSAC عملکردی بهتر از مدل پیشنهادی دارد، تکنیک زمان بر و پرهزینه تری در مقایسه با تکنیک تشخیص نقاط پرت پیشنهادی است.

نویسندگان

فرزانه عقیقی

کارشناسی ارشد علوم تصمیم و مهندسی دانش، دانشگاه خوارزمی، تهران

امیدمهدی عبادتی

دانشیار گروه مدیریت عملیات و فناوری اطلاعات، دانشگاه خوارزمی، تهران

حسین عقیقی

استادیار مرکز مطالعات سنجش از دور و GIS، دانشگاه شهید بهشتی، تهران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Aghighi, F., Aghighi, H., & Ebadati, O.M., ۲۰۲۰, Conditional Random ...
  • Aghighi, F., Ebadati, O.M., & Aghighi, H., ۲۰۱۷, Classification of ...
  • Arekhi, S. & Adibnejad, M., ۲۰۱۱, Efficiency Assessment of the ...
  • Boser, B.E., Guyon, I.M. & Vapnik, V.N., ۱۹۹۲, A Training ...
  • Chang, C.C. & Lin, C.J., ۲۰۱۱, LIBSVM: A Library for ...
  • Chen, S.Y., Tong, H. & Cattani, C., ۲۰۱۱, Markov Models ...
  • Chen, S., Wang, J., Pan, W., Gao, SH., Wang, M. ...
  • Congalton, R.G., ۱۹۹۱, A Review of Assessing the Accuracy of ...
  • Cramer, M., ۲۰۱۰, The DGPF-Test on Digital Airborne Camera Evaluation–Overview ...
  • David, J.M. & Balakrishnan, K., ۲۰۱۰, Significance of Classification Techniques ...
  • Fischler, M.A. & Bolles, R.C., ۱۹۸۱, Random Sample Consensus: A ...
  • Foody, G.M., ۲۰۰۴, Thematic Map Comparison, Photogrammetric Engineering & Remote ...
  • Geng, J., ۲۰۱۳, Three-Dimentional Display Technologies, Adv Opt Photonics, ۵(۴), ...
  • Guislain, M., Julie, D., CHaine, R. & Monnier, G., ۲۰۱۷, ...
  • Hujebry, b., Samadzadegan, F., & Arefi, H., ۲۰۱۴, Building Reconstruction ...
  • Javidrad, F. & Nazari, M., ۲۰۱۷, A New Hybrid Particle ...
  • Kiani, R., & Montazeri, M., ۲۰۱۵, Review of Outlier Detection ...
  • Kumar, S. & Hebert, M., ۲۰۰۳, Discriminative Random Fields: A ...
  • Lafferty, J., McCallum, A. & Pereira, F.C.N., ۲۰۰۱, Conditional Random ...
  • Li, W., Xu, B., Song, Q., Liu, X., Xu, J. ...
  • Lin, X. & Zhang, J., ۲۰۱۴, Segmentation-Based Filtering of Airborne ...
  • Matas, J. & Chum, O., ۲۰۰۴, Randomized RANSAC with T ...
  • Matkan, A.A., Hajeb, M., Mirbagheri, B., Sadeghian, S. & Ahmadi, ...
  • Nguyen, A. & Le, B., ۲۰۱۳, ۳D Point Cloud Segmentation: ...
  • Niemeyer, J., Mallet, C., Rottensteiner, F. & Sorgel, U., ۲۰۱۲a, ...
  • Niemeyer, J., Wegner, L.D., Mallet, C., Rottensteiner, F. & Soergel, ...
  • Niemeyer, J., Rottensteiner, F. & Soergel, U., ۲۰۱۲b, Conditional Random ...
  • Niemeyer, J., Rottensteiner, F. & Soergel, U., ۲۰۱۳, Conditional Random ...
  • Nurunnabi, A.A., ۲۰۱۴, Robust Statistical Approaches for Feature Extraction in ...
  • Ono, Y., Tsuji, A. & Noguchi, H., ۲۰۲۰, Probust Detection ...
  • Pao, Y.H., ۱۹۸۹, Adaptive Pattern Recognition and Neural Networks, Addison-Wesley ...
  • Peeters, A. & Etzion, Y., ۲۰۱۲, Automated Recognition of Urban ...
  • Poli, D. & Caravaggi, I., ۲۰۱۳, ۳D Modeling of Large ...
  • Raguram, R., Frahm, J.M. & Marc, P., ۲۰۰۸, A Comparative ...
  • Ramiya, A.M., Nidamanuri, R.R. & Krishnan, R., ۲۰۱۷, Segmentation Based ...
  • Rexhepaj, E., Agnarsdóttir, M., Bergman, J., Edqvist, P.H., Bergqvist, M., ...
  • Rwxhepaj, E., Agnarsdottir, M., Bergman, J., Edqvist, P.H., Bergqvist, M., ...
  • Storer, M., Roth, P.M., Urschler, M., Bischof, H. & Birchbauer, ...
  • Su, L., Xu, Y., Yuan, Y. & Yang, J., ۲۰۲۰, ...
  • Torr, P.H.S. & Zisserman, A., ۲۰۰۰, MLESAC: A New Robust ...
  • Vetrivel, A., Gerke, M., Kerle, N. & Vosselman, G., ۲۰۱۵, ...
  • Wang, V. & Feng, H-Y., ۲۰۱۵, Outlier Detection for Scaned ...
  • Xu, B., Jiang, W., Shan, J., Zhang, J. & Li, ...
  • Yuan, X., Chen, H. & Liu, B., ۲۰۲۰, Point Cloud ...
  • نمایش کامل مراجع