論文の概要: Deploying machine learning to assist digital humanitarians: making image
annotation in OpenStreetMap more efficient
- arxiv url: http://arxiv.org/abs/2009.08188v1
- Date: Thu, 17 Sep 2020 10:05:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 12:14:08.204441
- Title: Deploying machine learning to assist digital humanitarians: making image
annotation in OpenStreetMap more efficient
- Title（参考訳）: デジタル人道支援のための機械学習の展開:OpenStreetMapのイメージアノテーションをより効率的にする
- Authors: John E. Vargas-Mu\~noz, Devis Tuia, Alexandre X. Falc\~ao
- Abstract要約: 本稿では,OpenStreetMapにおけるボランティアの作業を支援し,最適化するためのインタラクティブな手法を提案する。
提案手法は,OSMのボランティアが検証・修正するために必要なデータ量を大幅に削減する。
- 参考スコア（独自算出の注目度）: 72.44260113860061
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Locating populations in rural areas of developing countries has attracted the
attention of humanitarian mapping projects since it is important to plan
actions that affect vulnerable areas. Recent efforts have tackled this problem
as the detection of buildings in aerial images. However, the quality and the
amount of rural building annotated data in open mapping services like
OpenStreetMap (OSM) is not sufficient for training accurate models for such
detection. Although these methods have the potential of aiding in the update of
rural building information, they are not accurate enough to automatically
update the rural building maps. In this paper, we explore a human-computer
interaction approach and propose an interactive method to support and optimize
the work of volunteers in OSM. The user is asked to verify/correct the
annotation of selected tiles during several iterations and therefore improving
the model with the new annotated data. The experimental results, with simulated
and real user annotation corrections, show that the proposed method greatly
reduces the amount of data that the volunteers of OSM need to verify/correct.
The proposed methodology could benefit humanitarian mapping projects, not only
by making more efficient the process of annotation but also by improving the
engagement of volunteers.
- Abstract（参考訳）: 開発途上国の農村部における人口の配置は,脆弱な地域に影響を与える行動を計画することが重要であることから,人道的マッピング計画の注目を集めている。
近年,航空画像中の建物を検知する手法が提案されている。
しかし、OpenStreetMap (OSM) のようなオープンマッピングサービスにおいて、アノテートされたデータの品質と量は、そのような検出のための正確なモデルのトレーニングには不十分である。
これらの手法は、農村建築情報の更新を支援する可能性があるが、農村建築地図を自動的に更新するほど正確ではない。
そこで本研究では,OSMにおけるボランティアの作業を支援し,最適化するための対話的手法を提案する。
ユーザが選択したタイルのアノテーションを複数のイテレーションで検証・修正するように依頼し、新しい注釈付きデータでモデルを改善する。
シミュレーションおよび実際のユーザアノテーション補正による実験結果から,OSMのボランティアが検証・修正する必要があるデータの量を大幅に削減できることが示唆された。
提案手法は, アノテーションのプロセスをより効率的に行うだけでなく, ボランティアの参加度を向上させることで, 人道的マッピングプロジェクトに役立つ。
関連論文リスト
- 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) - Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。
本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。
我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文 参考訳（メタデータ） (2024-10-10T10:10:03Z) - Enabling Quick, Accurate Crowdsourced Annotation for Elevation-Aware Flood Extent Mapping [6.55068241536296]
FloodTraceは、機械学習トレーニングデータに対する浸水領域アノテーションの効果的なクラウドソーシングを可能にするアプリケーションである。
我々は,不確実性ビジュアライゼーションにインスパイアされた手法を用いて,集約されたクラウドソースアノテーションと不正確さをレビューするフレームワークを提供する。
論文 参考訳（メタデータ） (2024-07-31T23:42:05Z) - Terrain-Informed Self-Supervised Learning: Enhancing Building Footprint Extraction from LiDAR Data with Limited Annotations [1.3243401820948064]
フットプリントマップの構築は、広範な後処理なしで正確なフットプリント抽出を約束する。
ディープラーニング手法は、一般化とラベルの効率の面で課題に直面している。
リモートセンシングに適した地形認識型自己教師型学習を提案する。
論文 参考訳（メタデータ） (2023-11-02T12:34:23Z) - Chatmap : Large Language Model Interaction with Cartographic Data [0.0]
OpenStreetMap(OSM)は、都市部と農村部の詳細な地理データを提供する、最も野心的なオープンソースグローバルイニシアチブである。
本研究では,比較的小規模(1Bパラメータ)の大規模言語モデル(LLM)を,より有能な教師モデルによってキュレートされた比較的小さな人工データセットを用いて微調整するプロセスの概念と詳細を実証する。
この研究は、このような生成的人工知能(AI)適応のための最初のガイドラインを提供し、この文脈で有用な新興能力の早期の兆候を示すことを目的としている。
論文 参考訳（メタデータ） (2023-09-28T15:32:36Z) - PANet: Perspective-Aware Network with Dynamic Receptive Fields and
Self-Distilling Supervision for Crowd Counting [63.84828478688975]
本稿では,視点問題に対処するため,PANetと呼ばれる新しい視点認識手法を提案する。
対象物のサイズが視点効果によって1つの画像で大きく変化するという観測に基づいて,動的受容場(DRF)フレームワークを提案する。
このフレームワークは、入力画像に応じて拡張畳み込みパラメータによって受容野を調整することができ、モデルが各局所領域についてより識別的な特徴を抽出するのに役立つ。
論文 参考訳（メタデータ） (2021-10-31T04:43:05Z) - Mapping Vulnerable Populations with AI [23.732584273099054]
構築機能は、例えばツイートや地上画像などのソーシャルメディアデータを解析することで検索される。
これらの付加属性を付加したマップの構築により、より正確な人口密度マップを導出することができる。
論文 参考訳（メタデータ） (2021-07-29T15:52:11Z) - OpenStreetMap: Challenges and Opportunities in Machine Learning and
Remote Sensing [66.23463054467653]
本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。
私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
論文 参考訳（メタデータ） (2020-07-13T09:58:14Z) - A Survey on Deep Learning for Localization and Mapping: Towards the Age
of Spatial Machine Intelligence [48.67755344239951]
包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。
オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。
この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
論文 参考訳（メタデータ） (2020-06-22T19:01:21Z) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳（メタデータ） (2020-06-09T12:35:55Z)
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。