論文の概要: Automatic extraction of road intersection points from USGS historical
map series using deep convolutional neural networks
- arxiv url: http://arxiv.org/abs/2007.07404v1
- Date: Tue, 14 Jul 2020 23:51:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 15:09:39.391573
- Title: Automatic extraction of road intersection points from USGS historical
map series using deep convolutional neural networks
- Title（参考訳）: 深層畳み込みニューラルネットワークを用いたusgs歴史地図列からの道路交差点点の自動抽出
- Authors: Mahmoud Saeedimoghaddam and T. F. Stepinski
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Road intersections data have been used across different geospatial
applications and analysis. The road network datasets dating from pre-GIS years
are only available in the form of historical printed maps. Before they can be
analyzed by a GIS software, they need to be scanned and transformed into the
usable vector-based format. Due to the great bulk of scanned historical maps,
automated methods of transforming them into digital datasets need to be
employed. Frequently, this process is based on computer vision algorithms.
However, low conversion accuracy for low quality and visually complex maps and
setting optimal parameters are the two challenges of using those algorithms. In
this paper, we employed the standard paradigm of using deep convolutional
neural network for object detection task named region-based CNN for
automatically identifying road intersections in scanned historical USGS maps of
several U.S. cities. We have found that the algorithm showed higher conversion
accuracy for the double line cartographic representations of the road maps than
the single line ones. Also, compared to the majority of traditional computer
vision algorithms RCNN provides more accurate extraction. Finally, the results
show that the amount of errors in the detection outputs is sensitive to
complexity and blurriness of the maps as well as the number of distinct RGB
combinations within them.
- Abstract（参考訳）: 道路交差点のデータは様々な地理空間的応用と分析に利用されている。
GIS以前の道路網のデータセットは、歴史印刷された地図の形でしか利用できない。
GISソフトウェアで解析する前には、スキャンして、使用可能なベクトルベースのフォーマットに変換する必要がある。
スキャンされた歴史的地図の膨大な量のため、それらをデジタルデータセットに変換する自動化方法が採用される必要がある。
このプロセスはコンピュータビジョンアルゴリズムに基づくことが多い。
しかし、低品質かつ視覚的に複雑なマップと最適パラメータの設定のための変換精度は、これらのアルゴリズムを使用する際の2つの課題である。
本稿では,地域別CNNと呼ばれるオブジェクト検出タスクにディープ畳み込みニューラルネットワークを用いる標準的なパラダイムを用いて,米国各都市の歴史的USGS地図における道路交差点の自動同定を行った。
その結果,道路地図の複線地図表現における変換精度は,単線地図よりも高いことがわかった。
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。
最後に, 検出出力における誤差の量は, 地図の複雑さや曖昧さに敏感であるとともに, 内部のRGB組み合わせの数にも敏感であることを示した。
関連論文リスト
- TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。
我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。
レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
論文 参考訳（メタデータ） (2024-11-22T06:13:42Z) - A Paradigm Shift in Mouza Map Vectorization: A Human-Machine Collaboration Approach [2.315458677488431]
現在の手動のデジタル化手法は時間と労力がかかる。
本研究では,デジタル化プロセスの効率化と,時間と人的資源の節約を目的とした半自動化手法を提案する。
論文 参考訳（メタデータ） (2024-10-21T12:47:36Z) - 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) - Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。
バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。
ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-02-25T13:22:17Z) - 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) - Radio Map Estimation -- An Open Dataset with Directive Transmitter
Antennas and Initial Experiments [49.61405888107356]
実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。
モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
論文 参考訳（メタデータ） (2024-01-12T14:56:45Z) - Transformer-Based Neural Surrogate for Link-Level Path Loss Prediction
from Variable-Sized Maps [11.327456466796681]
送信機と受信機の位置に対する経路損失の推定は、ネットワーク計画やハンドオーバを含む多くのユースケースにおいて重要である。
本稿では,様々な次元の地図やスパース測定からリンクレベルの特性を予測できるトランスフォーマーベースのニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-10-06T20:17:40Z) - RGB-D based Stair Detection using Deep Learning for Autonomous Stair
Climbing [6.362951673024623]
本稿では,RGBマップと深度マップの両方の入力を持つニューラルネットワークアーキテクチャを提案する。
具体的には,RGBマップと深度マップの相補関係をネットワークが学習できるように,選択モジュールを設計する。
提案手法は,従来の最先端深層学習法と比較して精度の向上とリコールが可能であることを示す。
論文 参考訳（メタデータ） (2022-12-02T11:22:52Z) - Unpaired Image Super-Resolution with Optimal Transport Maps [128.1189695209663]
実世界の画像超解像(SR)タスクは、しばしば、教師付き技術の適用を制限するペアデータセットを持っていない。
本稿では,非バイアスのOTマップを知覚輸送コストで学習する未ペアSRのアルゴリズムを提案する。
我々のアルゴリズムは、大規模無人AIM-19データセット上で、最先端のパフォーマンスをほぼ提供する。
論文 参考訳（メタデータ） (2022-02-02T16:21:20Z) - Transformer-based Map Matching Model with Limited Ground-Truth Data
using Transfer-Learning Approach [6.510061176722248]
多くのトラジェクトリベースのアプリケーションでは、生のGPSトラジェクトリをデジタルマップの道路網にマッピングする必要がある。
本稿では,データの観点から地図マッチングの課題を考察し,深層学習に基づく地図マッチングモデルを提案する。
合成軌道データを生成し,トランスフォーマーモデルを事前学習し,有限個の接地トラスデータでモデルを微調整する。
論文 参考訳（メタデータ） (2021-08-01T11:51:11Z) - UC-Net: Uncertainty Inspired RGB-D Saliency Detection via Conditional
Variational Autoencoders [81.5490760424213]
データラベリングプロセスから学習することで、RGB-Dサリエンシ検出に不確実性を利用するための第1のフレームワーク(UCNet)を提案する。
そこで本研究では,サリエンシデータラベリングにヒントを得て,確率的RGB-Dサリエンシ検出ネットワークを提案する。
論文 参考訳（メタデータ） (2020-04-13T04:12:59Z)
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。