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
- 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) - Network Alignment with Transferable Graph Autoencoders [87.28177782039265]
本稿では,強力で堅牢なノード埋め込みを抽出するグラフオートエンコーダアーキテクチャを提案する。
生成した埋め込みがグラフの固有値と固有ベクトルと結びついていることを証明する。
提案フレームワークは転送学習とデータ拡張を利用して,大規模なネットワークアライメントを実現する。
論文 参考訳(メタデータ) (2023-10-05T02:58:29Z) - 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) - Asynchronously Trained Distributed Topographic Maps [0.0]
分散トレーニングによって特徴マップを生成するために,N$の自律ユニットを用いたアルゴリズムを提案する。
単位の自律性は、分散探索とカスケード駆動の重み更新スキームを組み合わせることで、時間と空間のスパース相互作用によって達成される。
論文 参考訳(メタデータ) (2023-01-20T01:15:56Z) - Robust Self-Tuning Data Association for Geo-Referencing Using Lane
Markings [54.298482823211806]
本稿では,データアソシエーションにおけるあいまいさを解消するための完全なパイプラインを提案する。
その中核は、測定のエントロピーに応じて探索領域に適応する堅牢な自己調整データアソシエーションである。
ドイツ・カールスルーエ市周辺の都市・農村のシナリオを実データとして評価した。
論文 参考訳(メタデータ) (2022-07-28T12:29:39Z) - 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) - 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) - Automatic extraction of road intersection points from USGS historical
map series using deep convolutional neural networks [0.0]
道路交差点のデータは、異なる地理空間的応用と分析に利用されてきた。
我々は、ディープ畳み込みニューラルネットワークを領域ベースCNNと呼ばれるオブジェクト検出タスクに使用する標準パラダイムを採用した。
また、従来のコンピュータビジョンアルゴリズムと比較して、RCNNはより正確な抽出を提供する。
論文 参考訳(メタデータ) (2020-07-14T23:51:15Z) - Probabilistic Semantic Mapping for Urban Autonomous Driving Applications [1.181206257787103]
本研究では,道路,歩道,横断歩道,車線などの静的なランドマークの自動的かつ正確なラベル付けを行うために,画像と予め構築した点クラウドマップ情報を融合することを提案する。
本手法は,2次元画像のセマンティックセグメンテーションを行い,意味ラベルとポイント・クラウド・マップを関連づけて世界を正確にローカライズし,混乱行列の定式化を利用して,鳥の眼球面の確率論的セマンティック・マップを意味点・クラウドから構築する。
論文 参考訳(メタデータ) (2020-06-08T19:29:09Z) - 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。