論文の概要: Jane Jacobs in the Sky: Predicting Urban Vitality with Open Satellite
Data
- arxiv url: http://arxiv.org/abs/2102.00848v1
- Date: Thu, 28 Jan 2021 21:46:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-02 15:34:00.519314
- Title: Jane Jacobs in the Sky: Predicting Urban Vitality with Open Satellite
Data
- Title(参考訳): Jane Jacobs in the Sky: Predicting Urban Vitality with Open Satellite Data
- Authors: Sanja \v{S}\'cepanovi\'c, Sagar Joglekar, Stephen Law, Daniele Quercia
- Abstract要約: 都市部の人々が一日中暮らしていることは、世界レベルの質の高い都市が最も目指すものの一つだ。
都市での生活促進には、土地利用の多様性、小さなブロックサイズ、経済活動の混合、人口集中の4つの条件がある。
ここでは,1つのデータソースを使用することを提案し,このデータソースが一般に公開されている:Sentinel-2衛星画像。
- 参考スコア(独自算出の注目度): 1.376408511310322
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The presence of people in an urban area throughout the day -- often called
'urban vitality' -- is one of the qualities world-class cities aspire to the
most, yet it is one of the hardest to achieve. Back in the 1970s, Jane Jacobs
theorized urban vitality and found that there are four conditions required for
the promotion of life in cities: diversity of land use, small block sizes, the
mix of economic activities, and concentration of people. To build proxies for
those four conditions and ultimately test Jane Jacobs's theory at scale,
researchers have had to collect both private and public data from a variety of
sources, and that took decades. Here we propose the use of one single source of
data, which happens to be publicly available: Sentinel-2 satellite imagery. In
particular, since the first two conditions (diversity of land use and small
block sizes) are visible to the naked eye from satellite imagery, we tested
whether we could automatically extract them with a state-of-the-art
deep-learning framework and whether, in the end, the extracted features could
predict vitality. In six Italian cities for which we had call data records, we
found that our framework is able to explain on average 55% of the variance in
urban vitality extracted from those records.
- Abstract(参考訳): 一日中の都市部の人々の存在(しばしば「都市活力」と呼ばれる)は、世界クラスの都市が最も熱望する質の1つだが、達成するのが最も難しいことの1つである。
1970年代に、ジェーン・ジェイコブスは都市活力を理論化し、都市における生活の促進に必要な4つの条件があることを発見した:土地利用の多様性、小さなブロックサイズ、経済活動の混合、人々の集中。
これら4つの条件のプロキシを構築し、最終的にジェーン・ジェイコブスの理論を大規模に検証するために、研究者は様々なソースからプライベートデータとパブリックデータの両方を収集しなければならなかった。
ここでは、Sentinel-2衛星画像が一般に公開されている1つのデータソースの使用を提案します。
特に,最初の2つの条件(土地利用の多様性と小ブロックサイズ)は衛星画像から肉眼で見られるため,最先端のディープラーニングフレームワークで自動的に抽出できるかどうか,最終的に抽出した特徴が活力を予測できるかどうかを検証した。
イタリアの6都市でデータ記録を呼び出したところ、我々の枠組みは、これらの記録から抽出された都市活力の変動の55%を平均で説明できることがわかった。
関連論文リスト
- Spatial-Temporal Hypergraph Self-Supervised Learning for Crime
Prediction [60.508960752148454]
本研究では,犯罪予測におけるラベル不足問題に対処する空間的ハイパーグラフ自己監視学習フレームワークを提案する。
都市空間全体における犯罪の地域的依存性をエンコードするクロスリージョンハイパーグラフ構造学習を提案する。
また,2段階の自己指導型学習パラダイムを設計し,局所的・世界的空間的犯罪パターンを共同で捉えるだけでなく,地域的自己差別の強化による疎犯罪表現を補う。
論文 参考訳(メタデータ) (2022-04-18T23:46:01Z) - Worldwide city transport typology prediction with sentence-BERT based
supervised learning via Wikipedia [0.0]
世界の人口の大半は都市部や都市に住んでいる。
市の類型学を理解する価値はあるものの、ラベル付きデータ(都市とその類型学)は乏しい。
ウィキペディアのページにある情報をもとに,都市の類型を予測するための教師付き機械学習手法を提案する。
論文 参考訳(メタデータ) (2022-03-29T00:09:55Z) - 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) - Effective Urban Region Representation Learning Using Heterogeneous Urban
Graph Attention Network (HUGAT) [0.0]
都市域の表現を学習するためのヘテロジニアスな都市グラフアテンションネットワーク(HUGAT)を提案する。
ニューヨークのデータに関する我々の実験では、HUGATは最先端のすべてのモデルより優れています。
論文 参考訳(メタデータ) (2022-02-18T04:59:20Z) - 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) - CitySurfaces: City-Scale Semantic Segmentation of Sidewalk Materials [6.573006589628846]
ほとんどの都市では、データ収集のコスト抑制と時間のかかる性質のために、表面の空間カタログが欠落している。
近年のコンピュータビジョンの進歩とストリートレベルの画像の入手は、都市が大規模に構築された環境データを抽出する新たな機会を提供する。
そこで我々は,歩道素材の分類にコンピュータビジョン技術を活用する,能動的学習ベースのフレームワークであるCitySurfacesを提案する。
論文 参考訳(メタデータ) (2022-01-06T21:58:37Z) - A CNN based method for Sub-pixel Urban Land Cover Classification using
Landsat-5 TM and Resourcesat-1 LISS-IV Imagery [0.0]
本稿では,Landsat-5 TMとResourcesat-1 LISS-IVの時間重なりを利用したサブピクセル分類法を提案する。
畳み込みニューラルネットワークを用いて30m Landsat-5 TMデータから土地被覆マップを推定する。
論文 参考訳(メタデータ) (2021-12-16T12:48:37Z) - Global-Local Context Network for Person Search [125.51080862575326]
パーソンサーチは、自然に切り刻まれた画像からクエリーを共同でローカライズし、識別することを目的としている。
我々は,対象人物を取り巻く環境情報を多様かつ局所的に利用し,それぞれがシーンとグループコンテキストを参照する。
本稿では,機能強化を目的としたグローバル・ローカル・コンテキスト・ネットワーク(GLCNet)を提案する。
論文 参考訳(メタデータ) (2021-12-05T07:38:53Z) - GANmapper: geographical content filling [0.0]
本稿では,GAN(Generative Adversarial Network)を用いた空間データ生成手法を提案する。
当社のコントリビューションでは、粗大で広く利用可能な地理空間データを使用して、構築された環境のより細かいスケールで、あまり利用できない機能のマップを作成しています。
我々は、土地利用データと道路ネットワークを入力として、建物のフットプリントを生成し、世界中の9都市で実験を行う。
論文 参考訳(メタデータ) (2021-08-07T05:50:54Z) - C-Watcher: A Framework for Early Detection of High-Risk Neighborhoods
Ahead of COVID-19 Outbreak [54.39837683016444]
C-Watcherは、新型コロナウイルスの感染拡大に先立ち、対象都市のすべての地区を検査し、感染リスクを予測することを目指している。
C-WatcherはBaidu Mapsから大規模な人体移動データを収集し、都市移動パターンに基づいた一連の特徴を用いて市内のすべての住宅地区を特徴付ける。
新型コロナウイルスの感染拡大の初期段階における実データ記録を用いたC-Watcherの広範な実験を行った。
論文 参考訳(メタデータ) (2020-12-22T17:02:54Z) - Discovering Underground Maps from Fashion [80.02941583103612]
本研究では,都市部の地下地図を自動的に作成する手法を提案する。
本手法は,都市全域から公開されている画像を用いて,類似のファッションセンスを持つ地域を探索し,地図を監督せずにセグメント化する。
論文 参考訳(メタデータ) (2020-12-04T23:40:59Z)
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。