論文の概要: Formatting the Landscape: Spatial conditional GAN for varying population in satellite imagery

• arxiv url: http://arxiv.org/abs/2101.05069v1
• Date: Tue, 8 Dec 2020 13:31:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-17 06:44:31.868775
• Title: Formatting the Landscape: Spatial conditional GAN for varying population in satellite imagery
• Title（参考訳）: 景観をフォーマッティングする:衛星画像における多様な人口に対する空間条件GAN
• Authors: Tomas Langer, Natalia Fedorova, Ron Hagensieker
• Abstract要約: 人口の地理的分布の変化は、土地利用と土地被覆に劇的な影響を及ぼす。 格子状人口分布に基づく衛星画像生成のための生成モデルフレームワークについて検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Climate change is expected to reshuffle the settlement landscape: forcing people in affected areas to migrate, to change their lifeways, and continuing to affect demographic change throughout the world. Changes to the geographic distribution of population will have dramatic impacts on land use and land cover and thus constitute one of the major challenges of planning for climate change scenarios. In this paper, we explore a generative model framework for generating satellite imagery conditional on gridded population distributions. We make additions to the existing ALAE architecture, creating a spatially conditional version: SCALAE. This method allows us to explicitly disentangle population from the model's latent space and thus input custom population forecasts into the generated imagery. We postulate that such imagery could then be directly used for land cover and land use change estimation using existing frameworks, as well as for realistic visualisation of expected local change. We evaluate the model by comparing pixel and semantic reconstructions, as well as calculate the standard FID metric. The results suggest the model captures population distributions accurately and delivers a controllable method to generate realistic satellite imagery.
• Abstract（参考訳）: 気候変動は、影響のある地域の人々を移住させ、生活様式を変えさせ、世界中の人口動態の変化に影響を与え続けるという、居住環境の変革を期待されている。 人口の地理的分布の変化は土地利用や土地被覆に劇的な影響を与え、気候変動シナリオを計画する上での大きな課題の1つとなる。 本稿では,格子状人口分布に基づく衛星画像生成のための生成モデルフレームワークについて検討する。 既存のALAEアーキテクチャに追加し、空間的条件付きバージョンSCALAEを作成します。 この方法では,モデルの潜在空間から人口を明示的に切り離し,生成された画像にカスタム人口予測を入力できる。 このような画像は,既存のフレームワークを用いた土地被覆・土地利用変化推定や,期待される地域変化の現実的な可視化に利用することができると仮定する。 ピクセルと意味的再構成を比較してモデルを評価し,標準fid指標を算出した。 その結果, 個体群分布を正確に把握し, 現実的な衛星画像を生成するための制御可能な手法が得られた。

関連論文リスト

• SPARTAN: A Sparse Transformer Learning Local Causation [63.29645501232935]
  因果構造は、環境の変化に柔軟に適応する世界モデルにおいて中心的な役割を果たす。 本研究では,SPARse TrANsformer World Model(SPARTAN)を提案する。 オブジェクト指向トークン間の注意パターンに空間規則を適用することで、SPARTANは、将来のオブジェクト状態を正確に予測するスパース局所因果モデルを特定する。
  論文  参考訳（メタデータ） (2024-11-11T11:42:48Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Diffusion Model-based Probabilistic Downscaling for 180-year East Asian Climate Reconstruction [8.132450337453525]
  本稿では,拡散確率的ダウンスケーリングモデル(DPDM)を気象分野に導入する。 このモデルは、データを1degから0.1degに効率的に変換することができる。 東アジアにおける月次表面変数の180年間のデータセットを生成するために,本モデルを適用した。
  論文  参考訳（メタデータ） (2024-02-02T01:34:33Z)
• Deep autoregressive modeling for land use land cover [0.0]
  ランド・ユース/ランド・カバー・モデリング(LULC)は、地理的特徴と地形、生態学、人間発達に関連する異なる空間パターンの間の長距離依存関係のために難しい課題である。 土地利用の空間パターンのモデル化とコンピュータビジョンからのイメージインペインティングの課題との密接な関係を同定し,約1900万個のLULCをモデル化するための改良されたPixelCNNアーキテクチャについて検討する。
  論文  参考訳（メタデータ） (2024-01-02T18:03:57Z)
• Inspecting the Geographical Representativeness of Images from Text-to-Image Models [52.80961012689933]
  本研究では,27カ国540人の参加者からなるクラウドソーシング調査を用いて,生成された画像の地理的代表性を測定した。 国名のない故意に特定されていない入力に対して、生成された画像は、主にアメリカの周囲を反映しており、その後インドが続く。 多くの国でのスコアは依然として低いままで、将来のモデルがより地理的に包括的である必要性を強調している。
  論文  参考訳（メタデータ） (2023-05-18T16:08:11Z)
• FedUKD: Federated UNet Model with Knowledge Distillation for Land Use Classification from Satellite and Street Views [1.7847474813778919]
  衛星画像とストリートビュー画像のセマンティックにフェデレートUNetモデルを用いる。 精度は95%以上で,それぞれ17回以上,62回以上のストリートビューと衛星画像に有意なモデル圧縮を実現した。 提案フレームワークは,地球上の気候変動のリアルタイム追跡において,ゲームチェンジャーとなる可能性を持っている。
  論文  参考訳（メタデータ） (2022-12-05T12:14:00Z)
• Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
  衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。 中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。 我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
  論文  参考訳（メタデータ） (2022-04-14T15:41:39Z)
• ClimateGAN: Raising Climate Change Awareness by Generating Images of Floods [89.61670857155173]
  実画像上でのリアルな洪水をシミュレートする手法を提案する。 本研究では、教師なし領域適応と条件付き画像生成のためのシミュレーションデータと実データの両方を活用するモデルであるClimateGANを提案する。
  論文  参考訳（メタデータ） (2021-10-06T15:54:57Z)
• Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
  我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。 純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。 我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
  論文  参考訳（メタデータ） (2021-04-10T15:00:15Z)
• EarthNet2021: A novel large-scale dataset and challenge for forecasting localized climate impacts [12.795776149170978]
  大規模な地球観測データセットにより、粗い気象情報を高解像度の地球表面予測に変換できる機械学習モデルが作成できるようになった。 メソスケール気象予測に基づく衛星画像の映像予測として高分解能地球表面予測を定義します。 EarthNet 2021は、高分解能地形とメソスケール(1.28 km)の気象変数と一致する、20 mの解像度でターゲット時空間のセンチネル2衛星画像を含む新しいデータセットである。
  論文  参考訳（メタデータ） (2020-12-11T11:21:00Z)

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。