Fugu-MT 論文翻訳(概要): Mapping Vulnerable Populations with AI

論文の概要: Mapping Vulnerable Populations with AI

arxiv url: http://arxiv.org/abs/2107.14123v1
Date: Thu, 29 Jul 2021 15:52:11 GMT
ステータス: 処理完了
システム内更新日: 2021-07-30 15:57:16.631783
Title: Mapping Vulnerable Populations with AI
Title（参考訳）: AIによる脆弱性人口のマッピング
Authors: Benjamin Kellenberger and John E. Vargas-Mu\~noz and Devis Tuia and Rodrigo C. Daudt and Konrad Schindler and Thao T-T Whelan and Brenda Ayo and Ferda Ofli and Muhammad Imran
Abstract要約: 構築機能は、例えばツイートや地上画像などのソーシャルメディアデータを解析することで検索される。これらの付加属性を付加したマップの構築により、より正確な人口密度マップを導出することができる。
参考スコア（独自算出の注目度）: 23.732584273099054
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Humanitarian actions require accurate information to efficiently delegate support operations. Such information can be maps of building footprints, building functions, and population densities. While the access to this information is comparably easy in industrialized countries thanks to reliable census data and national geo-data infrastructures, this is not the case for developing countries, where that data is often incomplete or outdated. Building maps derived from remote sensing images may partially remedy this challenge in such countries, but are not always accurate due to different landscape configurations and lack of validation data. Even when they exist, building footprint layers usually do not reveal more fine-grained building properties, such as the number of stories or the building's function (e.g., office, residential, school, etc.). In this project we aim to automate building footprint and function mapping using heterogeneous data sources. In a first step, we intend to delineate buildings from satellite data, using deep learning models for semantic image segmentation. Building functions shall be retrieved by parsing social media data like for instance tweets, as well as ground-based imagery, to automatically identify different buildings functions and retrieve further information such as the number of building stories. Building maps augmented with those additional attributes make it possible to derive more accurate population density maps, needed to support the targeted provision of humanitarian aid.
Abstract（参考訳）: 人道的行動は、支援操作を効率的に委譲するために正確な情報を必要とする。そのような情報は、建物の足跡、建物の機能、人口密度の地図である。この情報へのアクセスは、信頼できる国勢調査データと全国の地理データインフラのおかげで、先進国では両立しやすいが、開発途上国では、データが不完全あるいは時代遅れである場合が多い。リモートセンシング画像から導かれる地図の構築は、こうした国々では部分的にこの課題を解決しているが、ランドスケープの設定や検証データの欠如により必ずしも正確ではない。建物が存在している場合でも、建物の足跡層は、通常、建物の数や機能(オフィス、住宅、学校など)など、よりきめ細かい建物特性を明らかにしない。このプロジェクトでは,異種データソースを用いたフットプリントと関数マッピングの自動化を目指す。まず,衛星データから建物をデライン化し,深層学習モデルを用いてセマンティックイメージのセグメンテーションを行う。ビルディング機能は,ツイート等のソーシャルメディアデータを解析して,異なるビルディング機能を自動的に識別し,ビルディングストーリー数などの追加情報を取得することにより,検索される。これらの付加属性を付加したマップの構築により、人道支援の目標設定を支援するために必要な、より正確な人口密度マップの導出が可能になる。

関連論文リスト

Extracting the U.S. building types from OpenStreetMap data [0.16060719742433224]
この研究は、アメリカ合衆国全体をカバーする住宅・非住宅の分類を提供することで包括的なデータセットを作成する。そこで我々は,ビルディングフットプリントと利用可能なOpenStreetMap情報に基づいて,ビルディングタイプを分類するための教師なし機械学習手法を提案し,活用する。この検証は、非住宅の建物分類の高精度化と、住宅用建物の高いリコールを示す。
論文参考訳（メタデータ） (2024-09-09T15:05:27Z)
Identifying every building's function in large-scale urban areas with multi-modality remote-sensing data [5.18540804614798]
本研究は,大規模都市部における建物機能同定のための半教師付き枠組みを提案する。光画像、建築高さ、夜間光データを収集し、建物の形態特性を記述する。結果は、政府による2万の検証ポイントと統計調査によって評価される。
論文参考訳（メタデータ） (2024-05-08T15:32:20Z)
Automated National Urban Map Extraction [0.3495246564946556]
発展途上国は通常、国家の屋上地図を作成し、定期的に更新する適切な統治手段を欠いている。従来のフォトグラメトリと測量手法を用いて、このギャップを埋めて、そのような都市地図を自動で取得するパイプラインを提案することができる。本稿では,多層建物のインスタンスセグメンテーションのための完全畳み込みニューラルネットワークのパワーを活用して,高いオブジェクトワイド精度を実現することを目的とする。我々は、この作業を再現し、グローバル・サウスの適切な都市計画を欠いた地域で目撃された密集したスラム地帯で、非常に正確な結果を得るためのすべてのエンジニアリング手順を詳述する。
論文参考訳（メタデータ） (2024-04-09T10:47:43Z)
Social Intelligence Data Infrastructure: Structuring the Present and Navigating the Future [59.78608958395464]
私たちは、包括的な社会AI分類と480のNLPデータセットからなるデータライブラリで構成される、ソーシャルAIデータインフラストラクチャを構築しています。インフラストラクチャにより、既存のデータセットの取り組みを分析し、異なるソーシャルインテリジェンスの観点から言語モデルのパフォーマンスを評価することができます。多面的なデータセットの必要性、言語と文化の多様性の向上、より長期にわたる社会的状況、そして将来のソーシャルインテリジェンスデータ活動におけるよりインタラクティブなデータの必要性が示されている。
論文参考訳（メタデータ） (2024-02-28T00:22:42Z)
Semi-supervised Learning from Street-View Images and OpenStreetMap for Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文参考訳（メタデータ） (2023-07-05T18:16:30Z)
Building Floorspace in China: A Dataset and Learning Pipeline [0.32228025627337864]
本稿は、中国40大都市における建物の床面積を計測する最初のマイルストーンを提供する。我々は、メインデータソースとしてSentinel-1と-2の衛星画像を使用する。データ、アルゴリズム、評価の詳細な説明を提供する。
論文参考訳（メタデータ） (2023-03-03T21:45:36Z)
Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
論文参考訳（メタデータ） (2023-01-04T05:19:33Z)
A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文参考訳（メタデータ） (2022-11-04T09:58:57Z)
Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文参考訳（メタデータ） (2022-09-28T18:51:59Z)
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)
Deploying machine learning to assist digital humanitarians: making image annotation in OpenStreetMap more efficient [72.44260113860061]
本稿では,OpenStreetMapにおけるボランティアの作業を支援し,最適化するためのインタラクティブな手法を提案する。提案手法は,OSMのボランティアが検証・修正するために必要なデータ量を大幅に削減する。
論文参考訳（メタデータ） (2020-09-17T10:05:30Z)

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。