論文の概要: OpenStreetMap: Challenges and Opportunities in Machine Learning and
Remote Sensing
- arxiv url: http://arxiv.org/abs/2007.06277v1
- Date: Mon, 13 Jul 2020 09:58:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 00:35:06.687182
- Title: OpenStreetMap: Challenges and Opportunities in Machine Learning and
Remote Sensing
- Title(参考訳): OpenStreetMap: マシンラーニングとリモートセンシングにおける課題と機会
- Authors: John Vargas, Shivangi Srivastava, Devis Tuia, Alexandre Falcao
- Abstract要約: 本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。
私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
- 参考スコア(独自算出の注目度): 66.23463054467653
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: OpenStreetMap (OSM) is a community-based, freely available, editable map
service that was created as an alternative to authoritative ones. Given that it
is edited mainly by volunteers with different mapping skills, the completeness
and quality of its annotations are heterogeneous across different geographical
locations. Despite that, OSM has been widely used in several applications in
{Geosciences}, Earth Observation and environmental sciences. In this work, we
present a review of recent methods based on machine learning to improve and use
OSM data. Such methods aim either 1) at improving the coverage and quality of
OSM layers, typically using GIS and remote sensing technologies, or 2) at using
the existing OSM layers to train models based on image data to serve
applications like navigation or {land use} classification. We believe that OSM
(as well as other sources of open land maps) can change the way we interpret
remote sensing data and that the synergy with machine learning can scale
participatory map making and its quality to the level needed to serve global
and up-to-date land mapping.
- Abstract(参考訳): OpenStreetMap (OSM) は、コミュニティベースの、自由に利用できる、編集可能な地図サービスである。
主に異なるマッピングスキルを持つボランティアによって編集されていることを考えると、アノテーションの完全性と質は地理的に異なる場所で異質である。
それにもかかわらず、OSMは地球科学、地球観測、環境科学などの分野で広く利用されている。
本稿では,OSMデータの改良と利用を目的とした機械学習に基づく最近の手法について述べる。
このような方法は
1)osm層のカバレッジと品質を改善するには,一般的にgisやリモートセンシング技術を用いるか,あるいは
2) 既存のOSMレイヤを使用してイメージデータに基づいてモデルをトレーニングし、ナビゲーションや {land use} 分類のようなアプリケーションに役立てる。
我々は、OSM(および他のオープンランドマップのソース)は、リモートセンシングデータの解釈方法を変え、機械学習とのシナジーによって、参加型マップ作成とその品質を、グローバルかつ最新のランドマッピングに必要なレベルまで拡張できると考えている。
関連論文リスト
- OSMLoc: Single Image-Based Visual Localization in OpenStreetMap with Geometric and Semantic Guidances [11.085165252259042]
OSMLocは、脳にインスパイアされた単一画像の視覚的位置決め手法であり、精度、堅牢性、一般化能力を改善するための意味的および幾何学的ガイダンスを備えている。
提案したOSMLOCを検証するため,世界規模のクロスエリアとクロスコンディション(CC)のベンチマークを収集し,広範な評価を行う。
論文 参考訳(メタデータ) (2024-11-13T14:59:00Z) - GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。
我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。
実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
論文 参考訳(メタデータ) (2023-10-10T00:03:23Z) - Weakly-Supervised Multi-Granularity Map Learning for Vision-and-Language
Navigation [87.52136927091712]
我々は,ロボットエージェントが言語指導によって記述された経路をたどって,環境の中をナビゲートするよう訓練する,現実的かつ困難な問題に対処する。
高精度かつ効率的なナビゲーションを実現するためには,環境オブジェクトの空間的位置と意味情報の両方を正確に表現した地図を構築することが重要である。
より包括的にオブジェクトを表現するために,オブジェクトの細粒度(色,テクスチャなど)とセマンティッククラスの両方を含む多粒度マップを提案する。
論文 参考訳(メタデータ) (2022-10-14T04:23:27Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳(メタデータ) (2022-09-28T18:51:59Z) - A Gis Aided Approach for Geolocalizing an Unmanned Aerial System Using
Deep Learning [0.4297070083645048]
本稿では,GPS信号の劣化や拒否時にUASをジオローカライズする手法を提案する。
UASは、プラットフォームが飛ぶとリアルタイム画像を取得することができる、下向きのカメラをプラットフォーム上に備えているので、ジオローカライゼーションを実現するために、最新のディープラーニング技術を適用します。
我々は,OpenStreetMap (OSM) からGIS情報を抽出し,意味的に一致した特徴をビルディングクラスとランドスケープクラスに分割する。
論文 参考訳(メタデータ) (2022-08-25T17:51:15Z) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳(メタデータ) (2022-01-31T20:02:22Z) - GANmapper: geographical content filling [0.0]
本稿では,GAN(Generative Adversarial Network)を用いた空間データ生成手法を提案する。
当社のコントリビューションでは、粗大で広く利用可能な地理空間データを使用して、構築された環境のより細かいスケールで、あまり利用できない機能のマップを作成しています。
我々は、土地利用データと道路ネットワークを入力として、建物のフットプリントを生成し、世界中の9都市で実験を行う。
論文 参考訳(メタデータ) (2021-08-07T05:50:54Z) - Towards Neural Schema Alignment for OpenStreetMap and Knowledge Graphs [0.966840768820136]
OpenStreetMap (OSM) は、ボランティアによる地理的情報の最も豊富に公開されている情報源の1つである。
知識グラフはOSMエンティティの強化に有用なセマンティック情報を提供する可能性がある。
本稿では,OSMタグと対応する知識グラフクラスとの整合性について,スキーマ層とインスタンス層を協調的に検討して考察する。
そこで我々は,OSMと知識グラフの連結エンティティを用いて生成したタグ・ツー・クラスアライメントに対して,共有潜在空間を生かした新しいニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-07-28T10:40:35Z) - A Survey on Deep Learning for Localization and Mapping: Towards the Age
of Spatial Machine Intelligence [48.67755344239951]
包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。
オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。
この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
論文 参考訳(メタデータ) (2020-06-22T19:01:21Z)
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。