論文の概要: The SpaceNet Multi-Temporal Urban Development Challenge

• arxiv url: http://arxiv.org/abs/2102.11958v1
• Date: Tue, 23 Feb 2021 22:01:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-25 18:06:56.782046
• Title: The SpaceNet Multi-Temporal Urban Development Challenge
• Title（参考訳）: SpaceNet Multi-Temporal Urban Development Challenge
• Authors: Adam Van Etten, Daniel Hogan
• Abstract要約: 足跡を構築することは、多くの人道的アプリケーションに有用なプロキシを提供する。 本論文では, 建物のランドスケープ, トラッキング, 変化の検出を精度良く行うための手法の開発について論じる。 競合は、4m解像度でPlanet Labsの衛星画像モザイクの全く新しいオープンソースデータセットを中心にした。 受賞した参加者は、新たに開発されたSpaceNet Change and Object Tracking(SCOT)メトリックで印象的なパフォーマンスを示した。
• 参考スコア（独自算出の注目度）: 5.191792224645409
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Building footprints provide a useful proxy for a great many humanitarian applications. For example, building footprints are useful for high fidelity population estimates, and quantifying population statistics is fundamental to ~1/4 of the United Nations Sustainable Development Goals Indicators. In this paper we (the SpaceNet Partners) discuss efforts to develop techniques for precise building footprint localization, tracking, and change detection via the SpaceNet Multi-Temporal Urban Development Challenge (also known as SpaceNet 7). In this NeurIPS 2020 competition, participants were asked identify and track buildings in satellite imagery time series collected over rapidly urbanizing areas. The competition centered around a brand new open source dataset of Planet Labs satellite imagery mosaics at 4m resolution, which includes 24 images (one per month) covering ~100 unique geographies. Tracking individual buildings at this resolution is quite challenging, yet the winning participants demonstrated impressive performance with the newly developed SpaceNet Change and Object Tracking (SCOT) metric. This paper details the top-5 winning approaches, as well as analysis of results that yielded a handful of interesting anecdotes such as decreasing performance with latitude.
• Abstract（参考訳）: 足跡を構築することは、多くの人道的アプリケーションに有用なプロキシを提供する。 例えば、建物の足跡は高い忠実度人口の推定に役立ち、人口統計の定量化は国連持続可能な開発目標指標の約1/4に基本である。 本稿では,スペースネット・パートナーズ(SpaceNet Partners)が,SpaceNet Multi-Temporal Urban Development Challenge(SpaceNet 7)を通じて,フットプリントの正確なローカライズ,トラッキング,変更検出を行う技術開発について論じる。 このNeurIPS 2020コンペティションでは、急速に都市化エリアで収集された衛星画像の時系列の建物を特定し、追跡するよう求められました。 このコンペティションは、Planet Labsの衛星画像モザイクの4m解像度で、約100のユニークな地理をカバーする24の画像(月1回)を含む、まったく新しいオープンソースのデータセットを中心に行われました。 この解像度で個々の建物を追跡することは非常に難しいが、勝者たちは新しく開発されたSpaceNet Change and Object Tracking(SCOT)メトリクスで印象的なパフォーマンスを示した。 本稿では,トップ5の入賞アプローチと,緯度による性能低下など,いくつかの興味深い逸話を生んだ結果の分析について述べる。

関連論文リスト

• Building Age Estimation: A New Multi-Modal Benchmark Dataset and Community Challenge [32.69530674031928]
  建築物の建設年を推定することは、持続可能性にとって非常に重要である。 人工知能 (AI) と最近提案されたトランスフォーマーモデルを用いて, 建築物の建設時期を推定することができる。
  論文  参考訳（メタデータ） (2025-02-19T15:31:13Z)
• AIM 2024 Sparse Neural Rendering Challenge: Methods and Results [64.19942455360068]
  本稿では,ECCV 2024と共同で開催されるAIM(Advanceds in Image Manipulation)ワークショップの一部であるスパースニューラルレンダリングの課題についてレビューする。 この課題は、スパース画像から多様なシーンを合成する新しいカメラビューを作ることである。 参加者は、Pak Signal-to-Noise Ratio (PSNR) 測定によって測定された地中真実像に対する客観的忠実度を最適化するよう依頼される。
  論文  参考訳（メタデータ） (2024-09-23T14:17:40Z)
• Cross Pseudo Supervision Framework for Sparsely Labelled Geospatial Images [0.0]
  土地利用土地被覆(LULC)マッピングは、都市と資源計画にとって重要なツールである。 本研究では,高解像度衛星画像を用いたLULC予測のための半教師付きセグメンテーションモデルを提案する。 粗いラベル付きデータに基づいて画像分割モデルをトレーニングするクロス擬似スーパービジョンフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-05T11:14:23Z)
• EarthLoc: Astronaut Photography Localization by Indexing Earth from Space [22.398824732314015]
  宇宙飛行士の写真は、科学研究と災害対応の両方に非常に価値のある、ユニークな地球観測データセットを提示する。 現在の手動のローカライゼーションの取り組みは時間がかかり、自動化されたソリューションの必要性を動機付けている。 本稿では,この課題を効果的に解決するために,画像検索を活用した新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T14:30:51Z)
• 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)
• Unified Data Management and Comprehensive Performance Evaluation for Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
  この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。 都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。 多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
  論文  参考訳（メタデータ） (2023-08-24T16:20:00Z)
• Continental-Scale Building Detection from High Resolution Satellite Imagery [5.56205296867374]
  アーキテクチャ,損失関数,正規化,事前学習,自己学習,後処理のバリエーションについて検討し,インスタンスセグメンテーション性能を向上する。 アフリカ全土の100万枚の衛星画像のデータセットを用いて、手動でラベル付けされた建築事例を含む実験が行われた。 本稿では,このモデルを用いた建物検出の性能向上のための新しい手法について報告する。
  論文  参考訳（メタデータ） (2021-07-26T15:48:14Z)
• Detection, Tracking, and Counting Meets Drones in Crowds: A Benchmark [97.07865343576361]
  DroneCrowdという新しいドローンキャプチャ型大規模データセットによるベンチマークを構築した。 私たちは4800万人の頭といくつかのビデオレベルの属性を持つ20,800人のトラジェクタに注釈を付けます。 我々は、密集した群衆の物体の検出、追跡、数え上げを行うための強力なベースラインとして、Space-Time Neighbor-Aware Network (STNNet)を設計する。
  論文  参考訳（メタデータ） (2021-05-06T04:46:14Z)
• The Multi-Temporal Urban Development SpaceNet Dataset [7.606927524074595]
  本稿では,Multi-Temporal Urban Development SpaceNet(MUDS)データセットを提案する。 このオープンソースのデータセットは、中程度の解像度 (4.0m) の衛星画像モザイクで構成されている。 各建物にはユニークな識別子(アドレス)が割り当てられており、時間とともに個々のオブジェクトを追跡することができる。 都市化を直接評価し, 建物フットプリント構築(あるいは解体)を経時的に追跡する方法を実証する。
  論文  参考訳（メタデータ） (2021-02-08T18:28:52Z)
• The MineRL 2020 Competition on Sample Efficient Reinforcement Learning using Human Priors [62.9301667732188]
  我々は,MineRLコンペティションの第2イテレーションを提案する。 競争の主な目標は、人間のデモンストレーションを効率的に活用できるアルゴリズムの開発を促進することです。 コンペティションは、データセットと環境のペアバージョンが複数提供される2ラウンドで構成されている。 各ラウンドの終わりに、競合他社はコンテナ化された学習アルゴリズムをaicrowdプラットフォームに提出する。
  論文  参考訳（メタデータ） (2021-01-26T20:32:30Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)

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。