論文の概要: Utilizing Satellite Imagery Datasets and Machine Learning Data Models to
Evaluate Infrastructure Change in Undeveloped Regions
- arxiv url: http://arxiv.org/abs/2009.00185v1
- Date: Tue, 1 Sep 2020 02:11:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 01:21:14.680132
- Title: Utilizing Satellite Imagery Datasets and Machine Learning Data Models to
Evaluate Infrastructure Change in Undeveloped Regions
- Title（参考訳）: 衛星画像データセットと機械学習データモデルを用いた未開発地域のインフラ変化評価
- Authors: Kyle McCullough, Andrew Feng, Meida Chen, Ryan McAlinden
- Abstract要約: 本研究の目的は、鉄道などの大規模インフラプロジェクトを対象とした自動監視により、建設の方向性を定義し予測するための信頼性の高い指標を決定することである。
利用可能な衛星データを用いて3Dメッシュとデジタル表面モデル(DSM)を作成することにより、輸送経路を効果的に予測できることを期待する。
- 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: In the globalized economic world, it has become important to understand the
purpose behind infrastructural and construction initiatives occurring within
developing regions of the earth. This is critical when the financing for such
projects must be coming from external sources, as is occurring throughout major
portions of the African continent. When it comes to imagery analysis to
research these regions, ground and aerial coverage is either non-existent or
not commonly acquired. However, imagery from a large number of commercial,
private, and government satellites have produced enormous datasets with global
coverage, compiling geospatial resources that can be mined and processed using
machine learning algorithms and neural networks. The downside is that a
majority of these geospatial data resources are in a state of technical stasis,
as it is difficult to quickly parse and determine a plan for request and
processing when acquiring satellite image data. A goal of this research is to
allow automated monitoring for largescale infrastructure projects, such as
railways, to determine reliable metrics that define and predict the direction
construction initiatives could take, allowing for a directed monitoring via
narrowed and targeted satellite imagery requests. By utilizing photogrammetric
techniques on available satellite data to create 3D Meshes and Digital Surface
Models (DSM) we hope to effectively predict transport routes. In understanding
the potential directions that largescale transport infrastructure will take
through predictive modeling, it becomes much easier to track, understand, and
monitor progress, especially in areas with limited imagery coverage.
- Abstract（参考訳）: グローバル化経済の世界では、地球発展途上国におけるインフラ・建設計画の背景にある目的を理解することが重要である。
このようなプロジェクトの資金がアフリカ大陸の大部分で発生しているように、外部からの資金源でなければならない場合、これは極めて重要である。
画像分析でこれらの領域を研究する場合、地上および空中のカバレッジは存在していないか、一般的に取得されていないかのいずれかである。
しかし、多くの商用、民間、政府の衛星の画像は、グローバルなカバレッジを持つ巨大なデータセットを生成し、機械学習アルゴリズムとニューラルネットワークを使って採掘、処理できる地理空間資源をコンパイルしている。
欠点は、これらの地理空間データ資源の大部分は、衛星画像データを取得する際の要求と処理の計画の迅速な解析と決定が難しいため、技術的な停滞状態にあることである。
この研究の目的は、鉄道などの大規模インフラプロジェクトの自動監視により、建設イニシアチブが行うべき方向を定義し予測する信頼できるメトリクスを判断し、狭義の衛星画像要求による直接監視を可能にすることである。
利用可能な衛星データを用いて3Dメッシュとデジタル表面モデル(DSM)を作成することにより、輸送経路を効果的に予測できることを期待する。
大規模輸送インフラが予測モデリングによって得る潜在的な方向を理解することで、特に画像カバレッジが制限された領域において、進捗の追跡、理解、監視がより容易になる。
関連論文リスト
- Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。
トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。
特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
論文 参考訳（メタデータ） (2024-03-21T05:57:27Z) - Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。
本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
論文 参考訳（メタデータ） (2023-01-04T05:19:33Z) - A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳（メタデータ） (2022-11-04T09:58:57Z) - 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 Data Cube of Big Satellite Image Time-Series for Agriculture
Monitoring [0.0]
共通農業政策(CAP)の近代化は、大規模かつ頻繁な農地の監視を必要とする。
我々は、光学式および合成開口レーダ(SAR)画像の多次元立方体への発見、前処理、インデックス化のための自動化、モジュール化、エンドツーエンドのフレームワークである農業監視データキューブ(ADC)を提案する。
また、ADC上に強力なツールセットを提供しており、i) 下流の機械学習タスクを配信するためのビッグデータの分析可能な特徴空間の生成、i) 監視に関連するサービスを通じての衛星画像時系列(SITS)分析のサポートを含む。
論文 参考訳（メタデータ） (2022-05-16T15:26:23Z) - Towards Space-to-Ground Data Availability for Agriculture Monitoring [0.0]
本稿では,クラウドソーシングプラットフォームであるMapillaryのストリートレベル画像とともに,Sentinel-1レーダとSentinel-2光画像時系列を含む地上空間データセットを提案する。
これらの異なるデータドメイン上で機械学習とディープラーニングのアルゴリズムをトレーニングし、意思決定の信頼性を高めるための融合技術の可能性を強調します。
論文 参考訳（メタデータ） (2022-05-16T14:35:48Z) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - Predicting Poverty Level from Satellite Imagery using Deep Neural
Networks [0.0]
頭上衛星画像から地域の貧困レベルを予測する深層学習型コンピュータビジョン手法を開発した。
データ量とデータ拡張がネットワークの表現力と全体的な精度に与える影響について検討する。
論文 参考訳（メタデータ） (2021-11-30T18:57:24Z) - Object Recognition for Economic Development from Daytime Satellite
Imagery [0.1779398251245519]
本稿では,高解像度衛星画像からインフラ特徴を抽出する新しい手法を提案する。
我々は、アフリカの21か国にまたがる1kmの格子セル500万kmの高解像度衛星画像を収集した。
論文 参考訳（メタデータ） (2020-09-11T14:07:12Z) - Urban Sensing based on Mobile Phone Data: Approaches, Applications and
Challenges [67.71975391801257]
モバイルデータ分析における多くの関心は、人間とその行動に関連している。
本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
論文 参考訳（メタデータ） (2020-08-29T15:14:03Z) - Road Mapping in Low Data Environments with OpenStreetMap [0.3162999570707049]
道路の地理的分布の包括的かつ最新のマッピングは、広範な経済発展の指標として機能する可能性がある。
本研究は,OpenStreetMapのような高解像度衛星画像とクラウドソーシングリソースの,そのようなマッピング構築における可能性について検討する。
論文 参考訳（メタデータ） (2020-06-14T19:39:57Z)
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。