論文の概要: Object Recognition for Economic Development from Daytime Satellite Imagery

• arxiv url: http://arxiv.org/abs/2009.05455v1
• Date: Fri, 11 Sep 2020 14:07:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 22:08:15.031703
• Title: Object Recognition for Economic Development from Daytime Satellite Imagery
• Title（参考訳）: 昼間衛星画像による経済発展のための物体認識
• Authors: Klaus Ackermann, Alexey Chernikov, Nandini Anantharama, Miethy Zaman, Paul A Raschky
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.1779398251245519
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable data about the stock of physical capital and infrastructure in developing countries is typically very scarce. This is particular a problem for data at the subnational level where existing data is often outdated, not consistently measured or coverage is incomplete. Traditional data collection methods are time and labor-intensive costly, which often prohibits developing countries from collecting this type of data. This paper proposes a novel method to extract infrastructure features from high-resolution satellite images. We collected high-resolution satellite images for 5 million 1km $\times$ 1km grid cells covering 21 African countries. We contribute to the growing body of literature in this area by training our machine learning algorithm on ground-truth data. We show that our approach strongly improves the predictive accuracy. Our methodology can build the foundation to then predict subnational indicators of economic development for areas where this data is either missing or unreliable.
• Abstract（参考訳）: 発展途上国の物理的資本とインフラの在庫に関する信頼性の高いデータは、典型的には少ない。 これは、既存のデータがしばしば時代遅れになり、常に測定されていない、あるいはカバレッジが不完全である、サブ国家レベルのデータにとって特に問題である。 従来のデータ収集手法は時間と労力がかかるコストがかかるため、開発途上国ではこの種のデータ収集が禁止されることが多い。 本稿では,高解像度衛星画像からインフラストラクチャの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の格子セルで、500万1kmの高解像度衛星画像を収集した。 我々は,機械学習アルゴリズムを実地データでトレーニングすることにより,この分野の文献の増大に寄与する。 提案手法は予測精度を強く向上させることを示す。 我々の手法は、このデータが欠落しているか、信頼できない領域の経済発展のサブ国家指標を予測する基盤を構築することができる。

関連論文リスト

• Automated National Urban Map Extraction [0.3495246564946556]
  発展途上国は通常、国家の屋上地図を作成し、定期的に更新する適切な統治手段を欠いている。 従来のフォトグラメトリと測量手法を用いて、このギャップを埋めて、そのような都市地図を自動で取得するパイプラインを提案することができる。 本稿では,多層建物のインスタンスセグメンテーションのための完全畳み込みニューラルネットワークのパワーを活用して,高いオブジェクトワイド精度を実現することを目的とする。 我々は、この作業を再現し、グローバル・サウスの適切な都市計画を欠いた地域で目撃された密集したスラム地帯で、非常に正確な結果を得るためのすべてのエンジニアリング手順を詳述する。
  論文  参考訳（メタデータ） (2024-04-09T10:47:43Z)
• On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
  AI技術の信頼性に関する深刻な懸念があった。 機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。 本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T14:01:53Z)
• 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)
• 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)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• 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)
• SustainBench: Benchmarks for Monitoring the Sustainable Development Goals with Machine Learning [63.192289553021816]
  国連持続可能な開発目標の進展は、主要な環境・社会経済指標のデータ不足によって妨げられている。 近年の機械学習の進歩により、衛星やソーシャルメディアなど、豊富な、頻繁に更新され、グローバルに利用可能なデータを活用することが可能になった。 本稿では,7個のSDGにまたがる15個のベンチマークタスクの集合であるSustainBenchを紹介する。
  論文  参考訳（メタデータ） (2021-11-08T18:59:04Z)
• The Multi-Temporal Urban Development SpaceNet Dataset [7.606927524074595]
  本稿では,Multi-Temporal Urban Development SpaceNet(MUDS)データセットを提案する。 このオープンソースのデータセットは、中程度の解像度 (4.0m) の衛星画像モザイクで構成されている。 各建物にはユニークな識別子(アドレス)が割り当てられており、時間とともに個々のオブジェクトを追跡することができる。 都市化を直接評価し, 建物フットプリント構築(あるいは解体)を経時的に追跡する方法を実証する。
  論文  参考訳（メタデータ） (2021-02-08T18:28:52Z)
• Utilizing Satellite Imagery Datasets and Machine Learning Data Models to Evaluate Infrastructure Change in Undeveloped Regions [0.0]
  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。
  論文  参考訳（メタデータ） (2020-09-01T02:11:14Z)
• Generating Interpretable Poverty Maps using Object Detection in Satellite Images [80.35540308137043]
  衛星画像に物体検出装置を適用することにより、局所レベルでの貧困を正確に予測するための解釈可能な計算手法を実証する。 対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。
  論文  参考訳（メタデータ） (2020-02-05T02:50:01Z)

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。