Fugu-MT 論文翻訳(概要): Quantifying urban streetscapes with deep learning: focus on aesthetic evaluation

論文の概要: Quantifying urban streetscapes with deep learning: focus on aesthetic evaluation

arxiv url: http://arxiv.org/abs/2106.15361v1
Date: Tue, 29 Jun 2021 12:51:00 GMT
ステータス: 処理完了
システム内更新日: 2021-06-30 15:20:42.397584
Title: Quantifying urban streetscapes with deep learning: focus on aesthetic evaluation
Title（参考訳）: 深層学習による都市景観の定量化 : 美的評価に着目して
Authors: Yusuke Kumakoshi, Shigeaki Onoda, Tetsuya Takahashi, Yuji Yoshimura
Abstract要約: 本稿では,東京の街路景観において,ファサードや看板でカバーされたエリアを識別するために用意されたユニークなデータセット上でのディープラーニングモデルの性能について報告する。このモデルは、IoU(Intersection-over-Union)によって測定された精度63.17 %を達成した。
参考スコア（独自算出の注目度）: 4.129225533930966
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The disorder of urban streetscapes would negatively affect people's perception of their aesthetic quality. The presence of billboards on building facades has been regarded as an important factor of the disorder, but its quantification methodology has not yet been developed in a scalable manner. To fill the gap, this paper reports the performance of our deep learning model on a unique data set prepared in Tokyo to recognize the areas covered by facades and billboards in streetscapes, respectively. The model achieved 63.17 % of accuracy, measured by Intersection-over-Union (IoU), thus enabling researchers and practitioners to obtain insights on urban streetscape design by combining data of people's preferences.
Abstract（参考訳）: 都市景観の障害は、人々の美的品質に対する認識に悪影響を及ぼす。ビルのファサードにおける看板の存在は、この障害の重要な要因と考えられているが、その定量化手法はまだスケーラブルな方法で開発されていない。このギャップを埋めるために,本稿では,街路景観におけるファサードと看板によってカバーされたエリアを認識するために,東京で用意されたユニークなデータセット上でのディープラーニングモデルの性能について報告する。このモデルはiou(intersection-over-union)によって測定された63.17パーセントの精度を達成し、研究者や実践者が人々の好みのデータを組み合わせて街並みのデザインについての洞察を得ることを可能にした。

関連論文リスト

StreetSurfGS: Scalable Urban Street Surface Reconstruction with Planar-based Gaussian Splatting [85.67616000086232]
StreetSurfGSは、スケーラブルな街路景観の再構築に適したガウススプラッティングを利用するための最初の方法である。 StreetSurfGSは、平面ベースのオクツリー表現とセグメンテーショントレーニングを使用して、メモリコストを削減し、ユニークなカメラ特性に対応し、スケーラビリティを確保する。スパースビューとマルチスケールの課題に対処するために、隣接する情報と長期情報を活用する2段階マッチング戦略を用いる。
論文参考訳（メタデータ） (2024-10-06T04:21:59Z)
CityPulse: Fine-Grained Assessment of Urban Change with Street View Time Series [12.621355888239359]
都市変革は、個人と地域社会の両方に大きな社会的影響を及ぼす。本研究では,大規模に構築された環境における物理的変化を効果的に捉えるために,エンドツーエンドの変更検出モデルを提案する。我々のアプローチは既存のデータセットを補完し、都市の変化をきめ細やかに正確に評価する可能性がある。
論文参考訳（メタデータ） (2024-01-02T08:57:09Z)
City-Wide Perceptions of Neighbourhood Quality using Street View Images [5.340189314359048]
本稿では,ロンドンに拠点を置き,画像とレーティングの収集,Web開発,モデルトレーニング,マッピングなどの手法について述べる。住民の社会的結束、コミュニティの感覚、安全、活動、メンタルヘルスに影響を与える。
論文参考訳（メタデータ） (2022-11-22T10:16:35Z)
Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
論文参考訳（メタデータ） (2022-05-27T12:46:52Z)
Sidewalk Measurements from Satellite Images: Preliminary Findings [10.870041943009722]
我々はコンピュータビジョンモデルを訓練し、リモートセンシング画像から歩道、道路、建物を検出する。抽出した歩道の異なる属性を解析するために形状解析手法を適用した。
論文参考訳（メタデータ） (2021-12-12T02:22:46Z)
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)
Repopulating Street Scenes [59.2621467759251]
そこで本稿では,歩行者や車両などの物体を配置・非人口化・再人口化することにより,街頭シーンの画像を自動的に再構成する枠組みを提案する。この手法の応用例としては、画像の匿名化によるプライバシー向上、自律運転のような知覚タスクのためのデータ強化などがある。
論文参考訳（メタデータ） (2021-03-30T09:04:46Z)
Urban Mosaic: Visual Exploration of Streetscapes Using Large-Scale Image Data [13.01318877814786]
都市モザイク (Urban Mosaic) は、ニューヨーク市の770万枚のストリートレベルの画像からなる空間的・時間的に密集したデータセットを通して、都市の織物を探索するためのツールである。
論文参考訳（メタデータ） (2020-08-31T02:23:12Z)
Naive-Student: Leveraging Semi-Supervised Learning in Video Sequences for Urban Scene Segmentation [57.68890534164427]
本研究では,未ラベル映像シーケンスと追加画像の半教師付き学習を利用して,都市景観セグメンテーションの性能を向上させることができるかどうかを問う。我々は単にラベルのないデータに対して擬似ラベルを予測し、人間の注釈付きデータと擬似ラベル付きデータの両方でその後のモデルを訓練する。我々のNaive-Studentモデルは、このような単純で効果的な反復的半教師付き学習で訓練され、3つのCityscapesベンチマークで最先端の結果を得る。
論文参考訳（メタデータ） (2020-05-20T18:00:05Z)
From Paris to Berlin: Discovering Fashion Style Influences Around the World [108.58097776743331]
本稿では,服を着る人々の日常的なイメージから,ファッションの影響を定量化する。我々は,他の都市がどの都市に影響を及ぼすかを,そのスタイルの伝播の観点から検出するアプローチを導入する。次に、発見された影響パターンを活用して予測モデルに通知し、任意の都市における任意のスタイルの人気を予測します。
論文参考訳（メタデータ） (2020-04-03T00:54:23Z)
Indexical Cities: Articulating Personal Models of Urban Preference with Geotagged Data [0.0]
本研究は,都市空間における個人の嗜好を特徴付け,特定の観測者に対する未知の好ましくない場所のスペクトルを予測する。多くの都市認識研究とは異なり、我々の意図は都市品質の客観的な尺度を提供する手段ではなく、都市や都市についての個人的な見解を表現することである。
論文参考訳（メタデータ） (2020-01-23T11:00:19Z)

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。