論文の概要: Road Network and Travel Time Extraction from Multiple Look Angles with
SpaceNet Data
- arxiv url: http://arxiv.org/abs/2001.05923v2
- Date: Tue, 2 Mar 2021 16:48:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 00:21:21.607589
- Title: Road Network and Travel Time Extraction from Multiple Look Angles with
SpaceNet Data
- Title(参考訳): SpaceNetデータを用いた複数角度からの道路網と走行時間抽出
- Authors: Adam Van Etten, Jacob Shermeyer, Daniel Hogan, Nicholas Weir, Ryan
Lewis
- Abstract要約: 本研究では、SpaceNet MVOIデータセットから、走行時間推定で道路網を抽出する。
APLS_length と APLS_time の最小差 0.03 は,本手法の速度限界と走行時間とを極めて高い忠実度で有することを示す。
- 参考スコア(独自算出の注目度): 14.814792290427471
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Identification of road networks and optimal routes directly from remote
sensing is of critical importance to a broad array of humanitarian and
commercial applications. Yet while identification of road pixels has been
attempted before, estimation of route travel times from overhead imagery
remains a novel problem, particularly for off-nadir overhead imagery. To this
end, we extract road networks with travel time estimates from the SpaceNet MVOI
dataset. Utilizing the CRESIv2 framework, we demonstrate the ability to extract
road networks in various observation angles and quantify performance at 27
unique nadir angles with the graph-theoretic APLS_length and APLS_time metrics.
A minimal gap of 0.03 between APLS_length and APLS_time scores indicates that
our approach yields speed limits and travel times with very high fidelity. We
also explore the utility of incorporating all available angles during model
training, and find a peak score of APLS_time = 0.56. The combined model
exhibits greatly improved robustness over angle-specific models, despite the
very different appearance of road networks at extremely oblique off-nadir
angles versus images captured from directly overhead.
- Abstract(参考訳): 道路網の同定とリモートセンシングから直接の最適経路の同定は、幅広い人道的・商業的応用にとって重要である。
しかし,これまで道路画素の識別が試みられてきたが,特に頭上画像の場合,頭上画像からの経路走行時間の推定が問題となっている。
この目的のために、SpaceNet MVOIデータセットから、走行時間推定を伴う道路網を抽出する。
CRESIv2 フレームワークを用いて、様々な観測角度の道路網を抽出し、グラフ理論APLS_length と APLS_time のメトリクスを用いて27個の独自のナディア角で性能を定量化する能力を示す。
APLS_length と APLS_time の最小差 0.03 は,本手法の速度限界と走行時間とを極めて高い忠実度で有することを示す。
また,モデルトレーニング中に利用可能なすべての角度を組み込むことの有用性についても検討し,APLS_time = 0.56 のピークスコアを求める。
組み合わせたモデルは、非常に斜めのオフnadir角度での道路網の外観と、直上から撮影した画像とが全く異なるにもかかわらず、角度特定モデルに対するロバスト性を大幅に改善している。
関連論文リスト
- Attention-Enhanced Cross-modal Localization Between 360 Images and Point
Clouds [8.258767692245495]
モーダルな視覚的ローカライゼーションを実現するために,エンド・ツー・エンドの学習可能なネットワークを提案する。
注意機構にインスパイアされ、画像と点雲を比較するために、適切な特徴を捉えるために、ネットワークを最適化する。
論文 参考訳(メタデータ) (2022-12-06T05:15:29Z) - Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。
我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
論文 参考訳(メタデータ) (2022-11-15T13:52:41Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - Cross-Camera Trajectories Help Person Retrieval in a Camera Network [124.65912458467643]
既存の手法では、純粋な視覚的マッチングや時間的制約を考慮することが多いが、カメラネットワークの空間情報は無視する。
本稿では,時間的情報と空間的情報を統合したクロスカメラ生成に基づく歩行者検索フレームワークを提案する。
本手法の有効性を検証するため,最初のカメラ横断歩行者軌跡データセットを構築した。
論文 参考訳(メタデータ) (2022-04-27T13:10:48Z) - Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks
Relying on Real Flight Data: From Single-Objective to Near-Pareto
Multi-Objective Optimization [79.96177511319713]
航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。
フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。
DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
論文 参考訳(メタデータ) (2021-10-28T14:18:22Z) - SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and
Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
道路抽出は、自律航法システムを構築するための重要なステップである。
この問題に対して単に畳み込みニューラルネットワーク(ConvNets)を使用することは、画像内の道路セグメント間の遠い依存関係をキャプチャする非効率であるため、効果がない。
本研究では,ConvNetに接続した時,特徴写像から投影された空間空間および相互作用空間上に構築されたグラフの推論を行う空間空間グラフ推論(SPIN)モジュールを提案する。
論文 参考訳(メタデータ) (2021-09-16T03:52:17Z) - Spatial-Temporal Dual Graph Neural Networks for Travel Time Estimation [5.614908141182951]
時空間デュアルグラフニューラルネットワーク(STDGNN)を用いた旅行時間推定のためのグラフベースディープラーニングフレームワークを提案する。
まず,交差点と道路セグメントの複雑な相関関係を捉えるために,時空間二重グラフアーキテクチャを構築した。
交差点と道路セグメントの連立時空間ダイナミクスを捉えるために,空間時空間学習層を採用する。
論文 参考訳(メタデータ) (2021-05-28T05:15:45Z) - Multi-View Radar Semantic Segmentation [3.2093811507874768]
自動車用レーダーは、周囲の物体の特性を測定する安価なアクティブセンサーである。
レーダー生データのサイズと複雑さのため、シーン理解にはほとんど使われない。
我々は,複数の新しいアーキテクチャとそれに伴う損失を提案し,レンジアングル・ドップラーレーダテンソルの複数の"ビュー"を分析し,意味的にセグメンテーションする。
論文 参考訳(メタデータ) (2021-03-30T09:56:41Z) - Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph
Convolutional Networks [110.80088437391379]
SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。
深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。
その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
論文 参考訳(メタデータ) (2021-03-13T06:56:29Z) - RasterNet: Modeling Free-Flow Speed using LiDAR and Overhead Imagery [29.315720350249187]
道路自由流速は、低交通条件下での典型的な車両の速度をとらえる。
自由流速を推定するための従来の手法は、下層の道路セグメントの幾何学的特性を利用する。
我々は,明示的な幾何学的特徴を必要とせず,自由流速を推定するための完全自動アプローチであるRasterNetを提案する。
論文 参考訳(メタデータ) (2020-06-14T21:03:52Z) - A Deep Neural Networks Approach for Pixel-Level Runway Pavement Crack
Segmentation Using Drone-Captured Images [6.402634424631123]
本研究では,U-Netと呼ばれる深層ニューラルネットワークを用いて,ドローンが捉えた画像に基づいて,舗装き裂のセグメンテーションを行う手法を提案する。
提案手法は,道路上に車両が少ないオフピーク時間における高速道路舗装条件の評価にも有効である。
論文 参考訳(メタデータ) (2020-01-09T23:30:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。