Fugu-MT 論文翻訳(概要): Automatic Extraction of Road Networks from Satellite Images by using Adaptive Structural Deep Belief Network

論文の概要: Automatic Extraction of Road Networks from Satellite Images by using Adaptive Structural Deep Belief Network

arxiv url: http://arxiv.org/abs/2110.12684v1
Date: Mon, 25 Oct 2021 07:06:10 GMT
ステータス: 処理完了
システム内更新日: 2021-10-26 17:44:25.852548
Title: Automatic Extraction of Road Networks from Satellite Images by using Adaptive Structural Deep Belief Network
Title（参考訳）: 適応的構造的深層信念ネットワークを用いた衛星画像からの道路ネットワークの自動抽出
Authors: Shin Kamada, Takumi Ichimura
Abstract要約: 本研究では,ロードトラッカーと呼ばれる道路網の自動認識手法に適用する。 RoadTracerは航空写真データから地上の道路地図を生成することができる。精度と計算時間を改善するため,我々のAdaptive DBNはCNNの代わりにRoadTracer上に実装された。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In our research, an adaptive structural learning method of Restricted Boltzmann Machine (RBM) and Deep Belief Network (DBN) has been developed as one of prominent deep learning models. The neuron generation-annihilation in RBM and layer generation algorithms in DBN make an optimal network structure for given input during the learning. In this paper, our model is applied to an automatic recognition method of road network system, called RoadTracer. RoadTracer can generate a road map on the ground surface from aerial photograph data. In the iterative search algorithm, a CNN is trained to find network graph connectivities between roads with high detection capability. However, the system takes a long calculation time for not only the training phase but also the inference phase, then it may not realize high accuracy. In order to improve the accuracy and the calculation time, our Adaptive DBN was implemented on the RoadTracer instead of the CNN. The performance of our developed model was evaluated on a satellite image in the suburban area, Japan. Our Adaptive DBN had an advantage of not only the detection accuracy but also the inference time compared with the conventional CNN in the experiment results.
Abstract（参考訳）: 本研究では,限定ボルツマン機械(rbm)と深層信念ネットワーク(dbn)の適応的構造学習法を著明な深層学習モデルとして開発してきた。 RBMのニューロン生成消滅とDBNの層生成アルゴリズムは、学習中に与えられた入力に対して最適なネットワーク構造を作る。本稿では,ロードトラッカーと呼ばれる道路ネットワークシステムの自動認識手法に適用する。 RoadTracerは航空写真データから地上の道路地図を生成することができる。反復探索アルゴリズムでは、CNNは道路間のネットワークグラフ接続性を高い検出能力で検出するように訓練される。しかし、システムは訓練フェーズだけでなく推論フェーズに対しても長い計算時間を要するため、高い精度が得られない可能性がある。精度と計算時間を改善するため,我々のAdaptive DBNはCNNの代わりにRoadTracer上に実装された。本研究では, 郊外の衛星画像を用いて, 開発したモデルの性能評価を行った。適応DBNは,検出精度だけでなく,従来のCNNと比較して推定時間も有利であった。

関連論文リスト

Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文参考訳（メタデータ） (2024-03-21T02:33:37Z)
LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
論文参考訳（メタデータ） (2022-03-24T03:31:18Z)
Spatial-Temporal Map Vehicle Trajectory Detection Using Dynamic Mode Decomposition and Res-UNet+ Neural Networks [0.0]
本稿では,高角交通カメラから車両軌跡を抽出する,機械学習による縦走査法を提案する。空間時間マップ(STMap)をスパースフォアグラウンドおよびローランク背景に分解することにより,車両ストランドの抽出に動的モード分解(DMD)法を適用した。 Res-UNet+という名前のディープニューラルネットワークは、2つの一般的なディープラーニングアーキテクチャを適用することでセマンティックセグメンテーションタスクのために設計された。
論文参考訳（メタデータ） (2022-01-13T00:49:24Z)
Application of 2-D Convolutional Neural Networks for Damage Detection in Steel Frame Structures [0.0]
本稿では,2次元畳み込みニューラルネットワーク(2次元CNN)を特徴抽出と分類段階の両方に応用する。本手法では、深度ではなく、光ったCNNのネットワークを使用し、生の加速度信号を入力とする。
論文参考訳（メタデータ） (2021-10-29T16:29:31Z)
An Embedded System for Image-based Crack Detection by using Fine-Tuning model of Adaptive Structural Learning of Deep Belief Network [0.0]
Restricted Boltzmann Machine (Adaptive RBM) と Deep Belief Network (Adaptive DBN) の適応型構造学習法を開発した。本手法は,具体的な画像ベンチマークデータセットであるSDNET 2018を用いてき裂検出を行った。本稿では,提案するAdaptive DBNを,ドローン上でのリアルタイム推論のためのGPUを備えた小型PCに埋め込んだ。
論文参考訳（メタデータ） (2021-10-25T07:28:50Z)
CONet: Channel Optimization for Convolutional Neural Networks [33.58529066005248]
畳み込みニューラルネットワーク(CNN)におけるチャネルサイズ最適化の検討ネットワーク層をまたいだCNNのチャネルサイズを自動的に最適化する,効率的な動的スケーリングアルゴリズムであるConetを導入します。 CIFAR10/100およびImageNetデータセット上で実験を行い、ConetがResNet、DARTS、DARTS+空間で探索された効率的で正確なアーキテクチャを見つけることができることを示す。
論文参考訳（メタデータ） (2021-08-15T21:48:25Z)
ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文参考訳（メタデータ） (2021-05-07T11:39:05Z)
Applying Surface Normal Information in Drivable Area and Road Anomaly Detection for Ground Mobile Robots [29.285200656398562]
我々は,高精細深度画像から表面正規情報を高精度かつ効率的に生成できる,NIM(Normal Inference Module)と呼ばれる新しいモジュールを開発した。我々のNIMは既存の畳み込みニューラルネットワーク(CNN)に展開でき、セグメンテーション性能を改善できる。提案するNIM-RTFNetは,KITTIロードベンチマークで8位であり,リアルタイムの推論速度を示す。
論文参考訳（メタデータ） (2020-08-26T05:44:07Z)
Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文参考訳（メタデータ） (2020-07-28T07:34:30Z)
Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-04-23T03:50:46Z)
Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。