Semantic classification supports the use of architectural point clouds in heritage documentation and conservation. This thesis investigates a Random Forest approach within a Multi-Level Multi-Resolution (MLMR) framework through two independently conducted case studies: San Benedetto and Palazzo Ducale in Venice. Both aim to obtain reliable architectural classification results. Palazzo Ducale also examines what the approach can achieve under constraints, including restricted initial training coverage and imperfect point-cloud quality, and how much manual intervention remains necessary. The workflow uses building-specific semantic hierarchies to progressively subdivide broad architectural groups into detailed classes. It combines multiscale geometric features, elevation and RGB information with manual inspection and correction between classification levels. Experiments examine feature contributions, point spacing and the spatial representativeness of training data. The results highlight the complementary roles of geometric descriptors and the context-dependent benefits of elevation and color information. They also indicate that training coverage and data quality influence the reliability of full-building outputs, and that high evaluation accuracy does not eliminate the need for manual correction. MLMR provides a practical structure for organizing architectural classification, while the balance between automation and manual work depends on the task and available data. Classification quality should therefore be assessed through class-specific performance, spatial coherence and correction effort, alongside overall accuracy. The study clarifies the potential and limitations of hierarchical machine learning for heritage point clouds and the continuing role of human judgement in producing usable results.

La classificazione semantica favorisce l'uso delle nuvole di punti architettoniche nella documentazione e conservazione del patrimonio. La tesi esamina un approccio Random Forest nel quadro Multi-Level Multi-Resolution (MLMR) attraverso due casi studio condotti indipendentemente: San Benedetto e Palazzo Ducale a Venezia. Entrambi mirano a ottenere risultati di classificazione affidabili. Palazzo Ducale indaga inoltre le possibilità dell'approccio in condizioni vincolanti, tra cui una copertura iniziale limitata dei dati di addestramento e una qualità imperfetta della nuvola di punti, e l'entità dell'intervento manuale necessario. Il flusso di lavoro utilizza gerarchie semantiche specifiche per ciascun edificio per suddividere progressivamente gruppi architettonici generali in classi dettagliate. Combina caratteristiche geometriche multiscala, quota e informazioni RGB con ispezione e correzione manuale tra i livelli di classificazione. Gli esperimenti esaminano il contributo delle caratteristiche, la spaziatura dei punti e la rappresentatività spaziale dei dati di addestramento. I risultati evidenziano la complementarità dei descrittori geometrici e i benefici di quota e colore, variabili secondo il contesto. Indicano inoltre che la copertura dei dati di addestramento e la qualità dei dati influenzano l'affidabilità dei risultati sull'intero edificio e che un'elevata accuratezza di valutazione non elimina la necessità di correzione manuale. MLMR offre una struttura pratica per organizzare la classificazione architettonica, mentre l'equilibrio tra automazione e lavoro manuale dipende dal compito e dai dati disponibili. La qualità della classificazione va quindi valutata considerando le prestazioni per classe, la coerenza spaziale e l'impegno richiesto dalla correzione, oltre all'accuratezza complessiva. Lo studio chiarisce potenzialità e limiti dell'apprendimento automatico gerarchico per le nuvole di punti del patrimonio e il ruolo persistente del giudizio umano nel produrre risultati utilizzabili.

Rethinking semantic classification of architectural point clouds through hierarchy : A multi-level and multi-resolution approach

LIU, WANXIN
2025/2026

Abstract

Semantic classification supports the use of architectural point clouds in heritage documentation and conservation. This thesis investigates a Random Forest approach within a Multi-Level Multi-Resolution (MLMR) framework through two independently conducted case studies: San Benedetto and Palazzo Ducale in Venice. Both aim to obtain reliable architectural classification results. Palazzo Ducale also examines what the approach can achieve under constraints, including restricted initial training coverage and imperfect point-cloud quality, and how much manual intervention remains necessary. The workflow uses building-specific semantic hierarchies to progressively subdivide broad architectural groups into detailed classes. It combines multiscale geometric features, elevation and RGB information with manual inspection and correction between classification levels. Experiments examine feature contributions, point spacing and the spatial representativeness of training data. The results highlight the complementary roles of geometric descriptors and the context-dependent benefits of elevation and color information. They also indicate that training coverage and data quality influence the reliability of full-building outputs, and that high evaluation accuracy does not eliminate the need for manual correction. MLMR provides a practical structure for organizing architectural classification, while the balance between automation and manual work depends on the task and available data. Classification quality should therefore be assessed through class-specific performance, spatial coherence and correction effort, alongside overall accuracy. The study clarifies the potential and limitations of hierarchical machine learning for heritage point clouds and the continuing role of human judgement in producing usable results.
ARC I - Scuola di Architettura Urbanistica Ingegneria delle Costruzioni
20-ott-2026
2025/2026
La classificazione semantica favorisce l'uso delle nuvole di punti architettoniche nella documentazione e conservazione del patrimonio. La tesi esamina un approccio Random Forest nel quadro Multi-Level Multi-Resolution (MLMR) attraverso due casi studio condotti indipendentemente: San Benedetto e Palazzo Ducale a Venezia. Entrambi mirano a ottenere risultati di classificazione affidabili. Palazzo Ducale indaga inoltre le possibilità dell'approccio in condizioni vincolanti, tra cui una copertura iniziale limitata dei dati di addestramento e una qualità imperfetta della nuvola di punti, e l'entità dell'intervento manuale necessario. Il flusso di lavoro utilizza gerarchie semantiche specifiche per ciascun edificio per suddividere progressivamente gruppi architettonici generali in classi dettagliate. Combina caratteristiche geometriche multiscala, quota e informazioni RGB con ispezione e correzione manuale tra i livelli di classificazione. Gli esperimenti esaminano il contributo delle caratteristiche, la spaziatura dei punti e la rappresentatività spaziale dei dati di addestramento. I risultati evidenziano la complementarità dei descrittori geometrici e i benefici di quota e colore, variabili secondo il contesto. Indicano inoltre che la copertura dei dati di addestramento e la qualità dei dati influenzano l'affidabilità dei risultati sull'intero edificio e che un'elevata accuratezza di valutazione non elimina la necessità di correzione manuale. MLMR offre una struttura pratica per organizzare la classificazione architettonica, mentre l'equilibrio tra automazione e lavoro manuale dipende dal compito e dai dati disponibili. La qualità della classificazione va quindi valutata considerando le prestazioni per classe, la coerenza spaziale e l'impegno richiesto dalla correzione, oltre all'accuratezza complessiva. Lo studio chiarisce potenzialità e limiti dell'apprendimento automatico gerarchico per le nuvole di punti del patrimonio e il ruolo persistente del giudizio umano nel produrre risultati utilizzabili.
File allegati
File Dimensione Formato  
2026_10_Liu_01.pdf

accessibile in internet solo dagli utenti autorizzati

Descrizione: Thesis text.
Dimensione 47.99 MB
Formato Adobe PDF
47.99 MB Adobe PDF   Visualizza/Apri
2026_10_Liu_02.pdf

non accessibile

Descrizione: Draft of the display panels.
Dimensione 62.09 MB
Formato Adobe PDF
62.09 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/267042