論文の概要: Promoting Connectivity of Network-Like Structures by Enforcing Region Separation

• arxiv url: http://arxiv.org/abs/2009.07011v1
• Date: Tue, 15 Sep 2020 12:21:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 06:26:06.137390
• Title: Promoting Connectivity of Network-Like Structures by Enforcing Region Separation
• Title（参考訳）: 領域分離によるネットワーク状構造物の接続促進
• Authors: Doruk Oner and Mateusz Kozi\'nski and Leonardo Citraro and Nathan C. Dadap and Alexandra G. Konings and Pascal Fua
• Abstract要約: 本稿では,ネットワークのような構造を再構築するために,深い畳み込みネットワークをトレーニングするための接続性指向の損失関数を提案する。 私たちの喪失の背後にある主な考え方は、画像の背景領域間で発生する断線の観点から、道路や運河の接続性を表現することです。 2つの標準的な道路ベンチマークと、新しい灌水用運河のデータセットの実験において、損失関数で訓練されたコンブネットが道路接続を回復できることが示されている。
• 参考スコア（独自算出の注目度）: 101.10228007363673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel, connectivity-oriented loss function for training deep convolutional networks to reconstruct network-like structures, like roads and irrigation canals, from aerial images. The main idea behind our loss is to express the connectivity of roads, or canals, in terms of disconnections that they create between background regions of the image. In simple terms, a gap in the predicted road causes two background regions, that lie on the opposite sides of a ground truth road, to touch in prediction. Our loss function is designed to prevent such unwanted connections between background regions, and therefore close the gaps in predicted roads. It also prevents predicting false positive roads and canals by penalizing unwarranted disconnections of background regions. In order to capture even short, dead-ending road segments, we evaluate the loss in small image crops. We show, in experiments on two standard road benchmarks and a new data set of irrigation canals, that convnets trained with our loss function recover road connectivity so well, that it suffices to skeletonize their output to produce state of the art maps. A distinct advantage of our approach is that the loss can be plugged in to any existing training setup without further modifications.
• Abstract（参考訳）: 本研究では,深い畳み込みネットワークを訓練し,道路や灌水路などのネットワーク構造を空中画像から再構築する,新たな接続指向損失関数を提案する。 私たちの喪失の背後にある主な考え方は、画像の背景領域間で発生する断線の観点から、道路や運河の接続性を表現することです。 簡単に言うと、予測された道路の隙間は、地上の真理道路の反対側にある2つの背景領域を、予測において接触させる。 損失関数は,背景領域間の不必要な接続を防止し,予測道路の隙間を狭めるように設計されている。 また、背景領域の不当な断線を罰することで、偽陽性道路や運河の予測を防止している。 さらに, 道路区間の短寿命化を図るために, 小型画像作物の損失を評価する。 2つの標準的な道路ベンチマークと、新しい灌水用運河の実験において、損失関数で訓練されたコンブネットが道路接続を回復し、その出力をスケルトン化し、アートマップの状態を生成するのに十分であることを示す。 このアプローチの明確な利点は、損失を追加変更することなく、既存のトレーニングセットアップにプラグインできることです。

関連論文リスト

• Holistically-Nested Structure-Aware Graph Neural Network for Road Extraction [6.537257686406911]
  本稿では,道路領域と道路境界の両方を同時に検出する新しいグラフニューラルネットワーク(GNN)を提案する。 挑戦的データセットの実験により,提案手法が道路境界のデライン化と道路抽出精度を向上させることを示す。
  論文  参考訳（メタデータ） (2024-07-02T20:11:09Z)
• Landscaping Linear Mode Connectivity [76.39694196535996]
  線形モード接続(LMC)は理論と実用の両方の観点から関心を集めている。 ロスランドスケープがLCCに対して地形的にどのように振る舞う必要があるかのモデルを提供することで、その理解に向けて一歩前進する。
  論文  参考訳（メタデータ） (2024-06-24T03:53:30Z)
• Fine-Grained Extraction of Road Networks via Joint Learning of Connectivity and Segmentation [5.496893845821393]
  衛星画像からの道路網抽出は、インテリジェントな交通管理と自動運転分野に広く応用されている。 高解像度のリモートセンシング画像は複雑な道路エリアと背景を逸脱させており,道路抽出の課題となっている。 接続の正しさを保ちながら、エンドツーエンドのセグメンテーション道路のためのスタック型マルチタスクネットワークを提案する。
  論文  参考訳（メタデータ） (2023-12-07T22:57:17Z)
• Jointly Contrastive Representation Learning on Road Network and Trajectory [11.613962590641002]
  道路網と軌道表現学習は交通システムにとって不可欠である。 既存の方法では、道路網と軌道を別々に扱うなど、同じスケールでしかコントラストがない。 本稿では,道路網と軌道表現を両立させる統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-14T03:08:20Z)
• Topology Preserving Local Road Network Estimation from Single Onboard Camera Image [128.881857704338]
  本稿では,鳥眼ビュー(BEV)において,局所道路網のトポロジーを抽出することを目的とする。 唯一の入力は、シングルオンボードの前方カメラ画像で構成されている。 道路トポロジを,道路の交点を用いて捉えた一組の有向車線曲線とその相互作用を用いて表現する。
  論文  参考訳（メタデータ） (2021-12-19T14:25:22Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Hierarchical Recurrent Attention Networks for Structured Online Maps [91.28820076955128]
  疎い3次元点雲からのオンライン道路網抽出の問題に対処する。 この手法はannotatorがレーングラフを構築する方法に触発され、まず何レーンあるかを特定し、順番に各レーンを描画する。 我々は,レーン境界の初期領域に順応する階層的リカレントネットワークを開発し,構造化ポリラインを出力することにより,それらを完全にトレースする。
  論文  参考訳（メタデータ） (2020-12-22T19:35:53Z)
• We Learn Better Road Pothole Detection: from Attention Aggregation to Adversarial Domain Adaptation [22.076261078410752]
  道路の穴検出結果は、個々の経験に完全に依存するため、常に主観的である。 最近導入された不均質(逆深度)変換アルゴリズムは、損傷された道路と損傷を受けていない道路の識別をより良くする。 本稿では,異なる種類のアテンションモジュールの利点を生かした新しいアテンションアグリゲーション(AA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-16T05:17:42Z)
• TopoAL: An Adversarial Learning Approach for Topology-Aware Road Segmentation [56.353558147044]
  我々は,我々の目的に合わせたAL(Adversarial Learning)戦略を導入する。 我々は,道路網のどの部分が正しいかを示すラベルピラミッドを返す,より洗練された識別器を使用している。 挑戦的なRoadTracerデータセットでは、最先端のものよりも優れています。
  論文  参考訳（メタデータ） (2020-07-17T16:06:45Z)
• RoadTagger: Robust Road Attribute Inference with Graph Neural Networks [26.914950002847863]
  衛星画像からレーン数や道路タイプなどの道路特性を推定することは困難である。 RoadTaggerは、畳み込みニューラルネットワーク(CNN)とグラフニューラルネットワーク(GNN)を組み合わせて、道路特性を推論するエンドツーエンドアーキテクチャである。 我々は米国20都市の688 km2の領域をカバーする大規模な実世界のデータセットと、合成マイクロデータセットの両方でRoadTaggerを評価した。
  論文  参考訳（メタデータ） (2019-12-28T06:09:13Z)

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。