Fugu-MT 論文翻訳(概要): Map Generation from Large Scale Incomplete and Inaccurate Data Labels

論文の概要: Map Generation from Large Scale Incomplete and Inaccurate Data Labels

arxiv url: http://arxiv.org/abs/2005.10053v1
Date: Wed, 20 May 2020 13:59:43 GMT
ステータス: 処理完了
システム内更新日: 2022-12-01 05:22:24.234048
Title: Map Generation from Large Scale Incomplete and Inaccurate Data Labels
Title（参考訳）: 大規模不完全かつ不正確なデータラベルからのマップ生成
Authors: Rui Zhang, Conrad Albrecht, Wei Zhang, Xiaodong Cui, Ulrich Finkler, David Kung, Siyuan Lu
Abstract要約: 本稿では,高分解能空中画像を用いた地図作成プロセスを自動化するアルゴリズムパイプラインと分散計算システムの開発について述べる。我々は、U-NetやCycleGANといった最先端の畳み込みニューラルネットワークアーキテクチャを採用して、より正確で完全な人為的なインフラストラクチャのラベルを持つマップをインクリメンタルに生成します。
参考スコア（独自算出の注目度）: 24.205001970190924
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurately and globally mapping human infrastructure is an important and challenging task with applications in routing, regulation compliance monitoring, and natural disaster response management etc.. In this paper we present progress in developing an algorithmic pipeline and distributed compute system that automates the process of map creation using high resolution aerial images. Unlike previous studies, most of which use datasets that are available only in a few cities across the world, we utilizes publicly available imagery and map data, both of which cover the contiguous United States (CONUS). We approach the technical challenge of inaccurate and incomplete training data adopting state-of-the-art convolutional neural network architectures such as the U-Net and the CycleGAN to incrementally generate maps with increasingly more accurate and more complete labels of man-made infrastructure such as roads and houses. Since scaling the mapping task to CONUS calls for parallelization, we then adopted an asynchronous distributed stochastic parallel gradient descent training scheme to distribute the computational workload onto a cluster of GPUs with nearly linear speed-up.
Abstract（参考訳）: 正確なグローバルマッピングは、ルーティング、規制コンプライアンス監視、自然災害対応管理などのアプリケーションにおいて、重要かつ困難なタスクである。本稿では,高分解能空中画像を用いた地図作成プロセスを自動化するアルゴリズムパイプラインと分散計算システムの開発の進展について述べる。これまでの研究とは異なり、ほとんどが世界中のいくつかの都市でのみ利用可能なデータセットを使用しており、我々は公開されている画像と地図データを利用しており、どちらも連続する米国(conus)をカバーしている。我々は、u-netやcycleganのような最先端の畳み込みニューラルネットワークアーキテクチャを用いて、道路や住宅などの人工的なインフラのラベルがより正確で完全なマップを漸進的に生成する、不正確で不完全なトレーニングデータの技術的課題にアプローチする。並列化のためのCONUSコールへのマッピングタスクのスケーリング以降、並列化のための非同期分散確率的並列勾配降下訓練スキームを採用し、ほぼ線形スピードアップで計算負荷をGPUクラスタに分散する。

関連論文リスト

Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。複雑さを低減した現在の最先端技術の性能をわずかに上回る新しいモデルを導入する。
論文参考訳（メタデータ） (2024-10-07T09:19:20Z)
Graph Pruning Based Spatial and Temporal Graph Convolutional Network with Transfer Learning for Traffic Prediction [0.0]
本研究では,グラフプルーニングと転送学習の枠組みに基づく新しい時空間畳み込みネットワーク(TL-GPSTGN)を提案する。その結果、単一のデータセット上でのTL-GPSTGNの異常な予測精度と、異なるデータセット間の堅牢なマイグレーション性能が示された。
論文参考訳（メタデータ） (2024-09-25T00:59:23Z)
Surrogate Modeling of Trajectory Map-matching in Urban Road Networks using Transformer Sequence-to-Sequence Model [1.3812010983144802]
本稿では、オフラインマップマッチングアルゴリズムのサロゲートとして機能するディープラーニングモデル、特にトランスフォーマーベースのエンコーダデコーダモデルを提案する。このモデルは、ニューヨーク州マンハッタンで収集されたGPSトレースを使って訓練され、評価されている。
論文参考訳（メタデータ） (2024-04-18T18:39:23Z)
Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
論文参考訳（メタデータ） (2024-01-25T07:28:22Z)
Semi-supervised Road Updating Network (SRUNet): A Deep Learning Method for Road Updating from Remote Sensing Imagery and Historical Vector Maps [3.350048575501172]
本研究では,道路更新のための半教師付き学習(SRUNet)に基づく道路検出手法を提案する。提案したSRUNetは,幅広い道路更新作業に対して,安定かつ最新かつ信頼性の高い予測結果を提供する。
論文参考訳（メタデータ） (2023-04-28T16:51:35Z)
GAN-Supervised Dense Visual Alignment [95.37027391102684]
本稿では,識別モデル学習のためのフレームワークであるGAN-Supervised Learningと,GAN生成した学習データをエンドツーエンドで共同で学習する手法を提案する。従来のCongealing法にインスパイアされた我々のGANgealingアルゴリズムは、Spatial Transformerを訓練し、不整合データに基づいて訓練されたGANのランダムなサンプルを共通の目標モードにマッピングする。
論文参考訳（メタデータ） (2021-12-09T18:59:58Z)
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)
A SLAM Map Restoration Algorithm Based on Submaps and an Undirected Connected Graph [0.0]
サブマップを逐次マージすることで,UAVデータセットの全グローバルマップを再構築する手法を提案する。その結果, マッピングの完全性は, 現在の主流SLAM法よりも有意に優れていた。
論文参考訳（メタデータ） (2020-07-29T04:26:36Z)
VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation [74.56282712099274]
本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
論文参考訳（メタデータ） (2020-05-08T19:07:03Z)
Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-04-23T03:50:46Z)
Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
論文参考訳（メタデータ） (2020-03-11T08:45:53Z)

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。