論文の概要: Deep-learning coupled with novel classification method to classify the urban environment of the developing world

• arxiv url: http://arxiv.org/abs/2011.12847v2
• Date: Thu, 7 Jan 2021 18:19:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 02:11:04.225415
• Title: Deep-learning coupled with novel classification method to classify the urban environment of the developing world
• Title（参考訳）: 発展途上国の都市環境を分類するための新しい分類法を併用した深層学習
• Authors: Qianwei Cheng, AKM Mahbubur Rahman, Anis Sarker, Abu Bakar Siddik Nayem, Ovi Paul, Amin Ahsan Ali, M Ashraful Amin, Ryosuke Shibasaki and Moinul Zaber
• Abstract要約: 本稿では,機械解析に容易に利用できる新しい分類法を提案し,開発途上国における方法論の適用性を示す。 周辺を考慮に入れた非公式・形式的な空間の観点から都市部を分類する。 このモデルは75%の精度と60%のMean IoUでセグメント化できる。
• 参考スコア（独自算出の注目度）: 4.819654695540227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid globalization and the interdependence of humanity that engender tremendous in-flow of human migration towards the urban spaces. With advent of high definition satellite images, high resolution data, computational methods such as deep neural network, capable hardware; urban planning is seeing a paradigm shift. Legacy data on urban environments are now being complemented with high-volume, high-frequency data. In this paper we propose a novel classification method that is readily usable for machine analysis and show applicability of the methodology on a developing world setting. The state-of-the-art is mostly dominated by classification of building structures, building types etc. and largely represents the developed world which are insufficient for developing countries such as Bangladesh where the surrounding is crucial for the classification. Moreover, the traditional methods propose small-scale classifications, which give limited information with poor scalability and are slow to compute. We categorize the urban area in terms of informal and formal spaces taking the surroundings into account. 50 km x 50 km Google Earth image of Dhaka, Bangladesh was visually annotated and categorized by an expert. The classification is based broadly on two dimensions: urbanization and the architectural form of urban environment. Consequently, the urban space is divided into four classes: 1) highly informal; 2) moderately informal; 3) moderately formal; and 4) highly formal areas. In total 16 sub-classes were identified. For semantic segmentation, Google's DeeplabV3+ model was used which increases the field of view of the filters to incorporate larger context. Image encompassing 70% of the urban space was used for training and the remaining 30% was used for testing and validation. The model is able to segment with 75% accuracy and 60% Mean IoU.
• Abstract（参考訳）: 急速なグローバル化と人類の相互依存は、都市部への人的移住の膨大な流入を招いた。 高解像度衛星画像、高解像度データ、ディープニューラルネットワークのような計算手法、有能なハードウェアが出現し、都市計画はパラダイムシフトを遂げている。 都市環境のレガシーデータは、現在、大量の高周波データで補完されている。 本稿では,機械解析に容易に使用可能な新しい分類法を提案し,開発途上国における方法論の適用性を示す。 state-of-the-artは、主に建物構造、建築タイプなどの分類に支配されており、バングラデシュのような発展途上国にとって不十分な先進国を主に表現している。 さらに,従来の手法では,拡張性が低く計算が遅い限定的な情報を提供する小規模分類を提案する。 周辺を考慮に入れた非公式・形式的な空間の観点から都市部を分類する。 バングラデシュのダッカの50km×50kmGoogle Earthの画像は、専門家によって視覚的に注釈付けされ、分類された。 この分類は、都市化と都市環境の建築形態という2つの次元に基づいている。 都市空間は以下の4つのクラスに分けられる。 1) 高度に非公式な 2) 適度な非公式 3) 適度な形式,及び 4) 極めてフォーマルな領域。 合計16種が同定された。 セマンティックセグメンテーションのために、googleのdeeplabv3+モデルを使用して、より大きなコンテキストを取り込むためにフィルタの視野を増加させた。 都市空間の70%を含む画像はトレーニングに使われ、残りの30%はテストと検証に使用された。 このモデルは75%の精度と60%のMean IoUでセグメント化できる。

関連論文リスト

• Explainable Hierarchical Urban Representation Learning for Commuting Flow Prediction [1.5156879440024378]
  通勤フロー予測は、現実の自治体の業務に欠かせない課題である。 我々は,異なるタイプのODフローを予測するために,意味のある領域埋め込みを生成するヘテロジニアスグラフベースモデルを開発した。 提案モデルでは,一様都市構造の観点から既存モデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-27T03:30:01Z)
• COHO: Context-Sensitive City-Scale Hierarchical Urban Layout Generation [1.5745692520785073]
  都市規模の都市レイアウト生成のための新しいグラフベースのマスク付きオートエンコーダ(GMAE)を提案する。 この方法は、属性付き建物、都市ブロック、コミュニティ、都市を統一的なグラフ構造に符号化する。 提案手法は,米国330都市における異質な都市スタイルにおける良好な現実性,意味的整合性,正当性を実現する。
  論文  参考訳（メタデータ） (2024-07-16T00:49:53Z)
• FUSU: A Multi-temporal-source Land Use Change Segmentation Dataset for Fine-grained Urban Semantic Understanding [6.833536116934201]
  都市セマンティック理解のための土地利用変化セグメンテーションデータセットであるFUSUを紹介した。 FUSUは、これまでで最も詳細な土地利用分類システムであり、17のクラスと300億ピクセルのアノテーションがある。 中国南部と北部の5つの都市部で847km2をカバーし、0.2-0.5mの地中サンプルと月毎の光学・レーダー衛星時系列の両時間高解像度衛星画像を含んでいる。
  論文  参考訳（メタデータ） (2024-05-29T12:56:11Z)
• Granularity at Scale: Estimating Neighborhood Socioeconomic Indicators from High-Resolution Orthographic Imagery and Hybrid Learning [1.8369448205408005]
  オーバーヘッド画像は、コミュニティ情報が不足しているギャップを埋めるのに役立つ。 機械学習とコンピュータビジョンの最近の進歩により、画像データのパターンから素早く特徴を抽出し、検出することが可能になった。 本研究では, 人口密度, 中央値世帯所得, 教育達成率の2つのアプローチ, 教師付き畳み込みニューラルネットワークと半教師付きクラスタリングについて検討する。
  論文  参考訳（メタデータ） (2023-09-28T19:30:26Z)
• Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
  我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。 単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。 高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
  論文  参考訳（メタデータ） (2023-09-26T23:55:39Z)
• UrbanBIS: a Large-scale Benchmark for Fine-grained Urban Building Instance Segmentation [50.52615875873055]
  都市BISは6つの実際の都市のシーンで構成され、25億点があり、面積は10.78平方キロメートルである。 UrbanBISは、建物、車両、植生、道路、橋など、豊富な都市オブジェクトに意味レベルのアノテーションを提供する。 UrbanBISは、きめ細かいサブカテゴリを導入した最初の3Dデータセットである。
  論文  参考訳（メタデータ） (2023-05-04T08:01:38Z)
• SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point Clouds [52.624157840253204]
  センサットウルバン(SensatUrban)は、イギリスの3都市から収集された7.6km2の30億点近くからなる、都市規模のUAV測光点クラウドデータセットである。 データセットの各ポイントは、粒度の細かいセマンティックアノテーションでラベル付けされ、その結果、既存の最大のフォトグラムポイントクラウドデータセットの3倍の大きさのデータセットが生成される。
  論文  参考訳（メタデータ） (2022-01-12T14:48:11Z)
• Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
  本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。 我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。 フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
  論文  参考訳（メタデータ） (2021-04-30T12:47:52Z)
• Placepedia: Comprehensive Place Understanding with Multi-Faceted Annotations [79.80036503792985]
  Placepediaは、240万のユニークな場所から3500万枚以上の写真を集めた大規模な場所データセットです。 写真に加えて、各場所にはGDP、人口など、膨大な多面的な情報も付属している。 このデータセットは大量のデータと豊富なアノテーションを持ち、様々な研究を行うことができる。
  論文  参考訳（メタデータ） (2020-07-07T20:17:01Z)
• Very High Resolution Land Cover Mapping of Urban Areas at Global Scale with Convolutional Neural Networks [0.0]
  本稿では,高解像度画像と限られたノイズラベル付きデータから,都市域の7クラス土地被覆マップを作成する手法について述べる。 データベースの集約、セミオートマチックな分類、手動のアノテーションといったいくつかの分野に関するトレーニングデータセットを作成して、各クラスで完全な基礎的真実を得ました。 最終生成物は、ベクトル化の前に縫合され、二項化され、精製されたモデル予測から計算された非常に貴重な土地被覆写像である。
  論文  参考訳（メタデータ） (2020-05-12T10:03:20Z)
• Measuring Spatial Subdivisions in Urban Mobility with Mobile Phone Data [58.720142291102135]
  2050年までに世界の人口の3分の2が都市部に住んでいる。 この成長は、都市が持続可能性を測定し計画する能力よりも速く、より複雑である。 都市がなぜ包括的になるのかを理解するために,空間分割を識別し特徴付ける手法を定義する。
  論文  参考訳（メタデータ） (2020-02-20T14:37:46Z)

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。