論文の概要: SMAPGAN: Generative Adversarial Network Based Semi-Supervised Styled Map Tiles Generating Method

• arxiv url: http://arxiv.org/abs/2001.07712v2
• Date: Thu, 1 Apr 2021 11:47:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 23:54:28.203614
• Title: SMAPGAN: Generative Adversarial Network Based Semi-Supervised Styled Map Tiles Generating Method
• Title（参考訳）: smapgan: 生成広告ネットワークベースの半教師付きスタイルマップタイル生成方法
• Authors: X. Chen (1), S. Chen (1), T. Xu (1), B. Yin (1), X. Mei (2), J. Peng (2), H. Li (2) ((1) School of Computer Science, Wuhan University, Wuhan, China, (2) School of Geosciences and Info-Physics, Central South University, Changsha, China)
• Abstract要約: Google MapやBaidu Mapといったインターネット上で広く使われている従来のオンラインマップタイルは、ベクトルデータからレンダリングされる。 本稿では,SMAPGANモデルに基づくスタイル付き地図タイルの半教師付き生成を提案する。 実験結果から,SMAPGANは平均二乗誤差,構造類似度指数,ESSIに基づいて,最先端のSOTA(State-of-the-art)よりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional online map tiles, widely used on the Internet such as Google Map and Baidu Map, are rendered from vector data. Timely updating online map tiles from vector data, of which the generating is time-consuming, is a difficult mission. It is a shortcut to generate map tiles in time from remote sensing images, which can be acquired timely without vector data. However, this mission used to be challenging or even impossible. Inspired by image-to-image translation (img2img) techniques based on generative adversarial networks (GAN), we proposed a semi-supervised Generation of styled map Tiles based on Generative Adversarial Network (SMAPGAN) model to generate styled map tiles directly from remote sensing images. In this model, we designed a semi-supervised learning strategy to pre-train SMAPGAN on rich unpaired samples and fine-tune it on limited paired samples in reality. We also designed image gradient L1 loss and image gradient structure loss to generate a styled map tile with global topological relationships and detailed edge curves of objects, which are important in cartography. Moreover, we proposed edge structural similarity index (ESSI) as a metric to evaluate the quality of topological consistency between generated map tiles and ground truths. Experimental results present that SMAPGAN outperforms state-of-the-art (SOTA) works according to mean squared error, structural similarity index, and ESSI. Also, SMAPGAN won more approval than SOTA in the human perceptual test on the visual realism of cartography. Our work shows that SMAPGAN is potentially a new paradigm to produce styled map tiles. Our implementation of the SMAPGAN is available at https://github.com/imcsq/SMAPGAN.
• Abstract（参考訳）: google mapやbaidu mapなどのインターネットで広く使われている従来のオンライン地図タイルは、ベクトルデータからレンダリングされる。 生成に時間を要するベクトルデータから、オンラインマップタイルをタイムリーに更新することは、難しいミッションです。 ベクトルデータなしでタイムリーに取得できるリモートセンシング画像から時間内に地図タイルを生成するためのショートカットである。 しかし、この任務はかつて困難であったり、不可能であったりしていた。 画像から画像への変換(img2img)をGAN(Generative Adversarial Network)に基づく手法にヒントを得て,SMAPGAN(Generative Adversarial Network)モデルに基づく半教師付き地図タイル生成を提案し,リモートセンシング画像から直接スタイル付き地図タイルを生成する。 本モデルでは,SMAPGANを豊富な未ペアサンプルで事前学習し,限定的なペアサンプルで微調整する半教師付き学習戦略を設計した。 また,画像勾配L1損失と画像勾配構造損失を設計し,大域的トポロジ的関係とオブジェクトの詳細なエッジ曲線を持つスタイルの地図タイルを生成した。 さらに,生成した地図タイルと地上真実の位相的整合性を評価する指標として,エッジ構造類似度指数(ESSI)を提案した。 実験結果から,SMAPGANは平均二乗誤差,構造類似度指数,ESSIに基づいて,最先端(SOTA)よりも優れていた。 また、SMAPGANは、地図の視覚的リアリズムに関する人間の知覚テストにおいて、SOTAよりも高い承認を得た。 我々の研究は、SMAPGANが地図タイルをスタイル化するための新しいパラダイムであることを示している。 SMAPGANの実装はhttps://github.com/imcsq/SMAPGANで公開されています。

関連論文リスト

• GenMapping: Unleashing the Potential of Inverse Perspective Mapping for Robust Online HD Map Construction [20.1127163541618]
  我々はGenMappingというユニバーサルマップ生成フレームワークを設計した。 このフレームワークは、主および二重補助枝を含む三進的なシナジーアーキテクチャで構築されている。 実験結果の網羅的な配列から,提案手法はセマンティックマッピングとベクトル化マッピングの両方において最先端の手法を超越し,高速な推論速度を維持した。
  論文  参考訳（メタデータ） (2024-09-13T10:15:28Z)
• HPix: Generating Vector Maps from Satellite Images [0.0]
  衛星画像からベクトルタイルマップを生成するためにGAN(Generative Adversarial Networks)を改良したHPixと呼ばれる新しい手法を提案する。 経験的評価を通じて,提案手法は高精度かつ視覚的に表現可能なベクトルタイルマップを作成する上での有効性を示す。 さらに、道路交差点のマッピングや、その面積に基づいたフットプリントクラスタの構築など、我々の研究の応用を拡大する。
  論文  参考訳（メタデータ） (2024-07-18T16:54:02Z)
• Loopy-SLAM: Dense Neural SLAM with Loop Closures [53.11936461015725]
  ポーズをグローバルに最適化するLoopy-SLAMと高密度3Dモデルを導入する。 我々は,データ駆動のポイントベースサブマップ生成手法を用いてフレーム・ツー・モデル追跡を行い,グローバルな位置認識を行うことで,オンラインのループクロージャをトリガーする。 合成Replicaおよび実世界のTUM-RGBDおよびScanNetデータセットの評価は、既存の高密度ニューラルネットワークRGBD SLAM法と比較して、追跡、マッピング、レンダリングの精度の競争力または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-14T18:18:32Z)
• Online Vectorized HD Map Construction using Geometry [17.33973935325903]
  本稿では,地図インスタンスのユークリッド形状と関係を基本的な知覚を超えて学習するGeMapを提案する。 提案手法は,NuScenesおよびArgoverse 2データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-12-06T08:26:26Z)
• GeoDTR+: Toward generic cross-view geolocalization via geometric disentanglement [20.346145927174373]
  Cross-View Geo-Localization (CVGL) は、データベース内のジオタグ付き空中画像とマッチングすることで、地上画像の位置を推定する。 既存の手法は、トレーニングデータとテストデータが完全に異なる領域から取得されるクロスエリア評価において、依然としてパフォーマンスの低下に悩まされている。 視覚的特徴の幾何学的レイアウトを抽出する能力の欠如と,低レベルの細部への過度な適合が原因と考えられる。 本研究では,視覚的特徴間の相関をモデル化する拡張GLEモジュールを用いたGeoDTR+を提案する。
  論文  参考訳（メタデータ） (2023-08-18T15:32:01Z)
• GAN-Based Content Generation of Maps for Strategy Games [0.0]
  本稿では,GAN(Generative Adversarial Networks)に基づく地図生成モデルを提案する。 実装では、ハイトマップのデータセット上で、GANベースのネットワークのさまざまな変種をテストした。
  論文  参考訳（メタデータ） (2023-01-07T15:24:25Z)
• Long-term Visual Map Sparsification with Heterogeneous GNN [47.12309045366042]
  本稿では,環境変化を克服し,将来のローカライゼーションに有用な点を選択することで,地図サイズを同時に削減することを目的とする。 グラフニューラルネットワーク(GNN)の最近の進歩に触発されて,SfMマップを異種グラフとしてモデル化し,GNNを用いて3次元点重要度を推定する最初の研究を提案する。 2つの新しい監督手法が提案されている: 1) トレーニングクエリに基づく将来のローカライゼーションに有用なポイントを選択するためのデータ適合用語、2) スパースポイントをフルマップで選択するためのK-Cover用語。
  論文  参考訳（メタデータ） (2022-03-29T01:46:12Z)
• HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps [81.86923212296863]
  HDマップは道路路面の正確な定義と交通ルールの豊富な意味を持つ地図である。 実際の道路トポロジやジオメトリはごくわずかで、自動運転スタックをテストする能力は著しく制限されています。 高品質で多様なHDマップを生成可能な階層グラフ生成モデルであるHDMapGenを提案する。
  論文  参考訳（メタデータ） (2021-06-28T17:59:30Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• TilinGNN: Learning to Tile with Self-Supervised Graph Neural Network [53.64132784328536]
  タイリング問題の古典的な事例を解決するための,最初のニューラルネットワーク最適化フレームワークを紹介する。 すなわち、1種類以上のタイルを用いて任意の2次元形状の非周期的タイリングを求める。 我々はTilinGNNというグラフ畳み込みニューラルネットワークを構築し、グラフエッジ上の機能を段階的に伝播し集約する。
  論文  参考訳（メタデータ） (2020-07-05T10:06:06Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)

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。