論文の概要: Deep Learning Techniques for Geospatial Data Analysis
- arxiv url: http://arxiv.org/abs/2008.13146v1
- Date: Sun, 30 Aug 2020 11:51:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 12:19:22.277629
- Title: Deep Learning Techniques for Geospatial Data Analysis
- Title（参考訳）: 地理空間データ解析のための深層学習技術
- Authors: Arvind W. Kiwelekar, Geetanjali S. Mahamunkar, Laxman D. Netak, Valmik
B Nikam
- Abstract要約: 消費者電子デバイスは、地理空間データと呼ばれる大量の位置情報を連続的に生成している。
近年、このような地理空間データを中心に、多くの有用な一般用途が設計され、展開されている。
近年のディープラーニング技術分野の進歩は、ニューラルネットワークに基づく技術が従来の機械学習技術より優れていることを示している。
- 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: Consumer electronic devices such as mobile handsets, goods tagged with RFID
labels, location and position sensors are continuously generating a vast amount
of location enriched data called geospatial data. Conventionally such
geospatial data is used for military applications. In recent times, many useful
civilian applications have been designed and deployed around such geospatial
data. For example, a recommendation system to suggest restaurants or places of
attraction to a tourist visiting a particular locality. At the same time, civic
bodies are harnessing geospatial data generated through remote sensing devices
to provide better services to citizens such as traffic monitoring, pothole
identification, and weather reporting. Typically such applications are
leveraged upon non-hierarchical machine learning techniques such as Naive-Bayes
Classifiers, Support Vector Machines, and decision trees. Recent advances in
the field of deep-learning showed that Neural Network-based techniques
outperform conventional techniques and provide effective solutions for many
geospatial data analysis tasks such as object recognition, image
classification, and scene understanding. The chapter presents a survey on the
current state of the applications of deep learning techniques for analyzing
geospatial data.
The chapter is organized as below: (i) A brief overview of deep learning
algorithms. (ii)Geospatial Analysis: a Data Science Perspective (iii)
Deep-learning techniques for Remote Sensing data analytics tasks (iv)
Deep-learning techniques for GPS data analytics(iv) Deep-learning techniques
for RFID data analytics.
- Abstract（参考訳）: 携帯電話、RFIDラベルでタグ付けされた商品、位置情報センサーなどの消費者電子デバイスは、地理空間データと呼ばれる大量の位置情報を連続的に生成している。
従来の地理空間データは軍事用途に使用される。
近年、多くの有用な民間アプリケーションがこのような地理空間データを中心に設計・展開されている。
例えば、特定の地域を訪れる観光客にレストランやアトラクションの場所を提案するレコメンデーションシステム。
同時に、市民は、リモートセンシング装置を通じて生成された地理空間データを利用して、交通監視、ポットホールの識別、天気予報などのより良いサービスを提供している。
通常、そのようなアプリケーションは、Naive-Bayes Classifiers、Support Vector Machines、Deciment Treeといった非階層的な機械学習技術に活用される。
近年のディープラーニング分野の進歩は,ニューラルネットワークに基づく手法が従来の手法より優れており,オブジェクト認識や画像分類,シーン理解といった多くの地理空間データ解析タスクに有効なソリューションを提供することを示している。
本章では,地理空間データ解析における深層学習技術の適用状況について調査する。
以下の章が構成されている。
(i)ディープラーニングアルゴリズムの概要
(ii)地理空間分析:データサイエンスの観点から
(iii)リモートセンシングデータ分析タスクのためのディープラーニング技術
(4)GPSデータ分析のためのディープラーニング技術
(4)RFIDデータ分析のためのディープラーニング技術。
関連論文リスト
- Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。
近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
論文 参考訳（メタデータ） (2024-10-08T00:25:33Z) - 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) - 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) - Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or
Something Else? [93.91375268580806]
政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。
既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。
既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
論文 参考訳（メタデータ） (2021-11-09T13:30:34Z) - Leveraging Domain Adaptation for Low-Resource Geospatial Machine
Learning [0.0]
多くのラベル付き地理空間データセットは特定の地域、楽器、極端な気象イベントに特化している。
提案した複数の地理空間ベンチマークに対する最新のドメイン適応の適用について検討する。
論文 参考訳（メタデータ） (2021-07-11T06:47:20Z) - Deep Learning for Surface Wave Identification in Distributed Acoustic
Sensing Data [1.7237878022600697]
実データ,複雑なDASデータを処理するための,高度にスケーラブルで効率的なアプローチを提案する。
深い教師付き学習は、人類活動によって生じる「有用な」コヒーレントな表面波を特定するために用いられる。
本手法は,地中活動と埋設センサとの相互作用を記述した解釈パターンを提供する。
論文 参考訳（メタデータ） (2020-10-15T15:53:03Z) - Learning and Recognizing Archeological Features from LiDAR Data [8.135393502095909]
本稿では,LiDAR(Light Detection and Ranging)データを処理するリモートセンシングパイプラインを提案する。
本研究の目的は,地域空間と考古学的アーティファクトを教師付きで識別し,ドメインの専門家が必要に応じて柔軟にパラメータを調整できるようにすることである。
論文 参考訳（メタデータ） (2020-04-05T05:36:37Z) - Survey of Network Intrusion Detection Methods from the Perspective of
the Knowledge Discovery in Databases Process [63.75363908696257]
本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。
本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。
この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
論文 参考訳（メタデータ） (2020-01-27T11:21:05Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。