論文の概要: Deep residential representations: Using unsupervised learning to unlock
elevation data for geo-demographic prediction
- arxiv url: http://arxiv.org/abs/2112.01421v1
- Date: Thu, 2 Dec 2021 17:10:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-03 15:07:35.234348
- Title: Deep residential representations: Using unsupervised learning to unlock
elevation data for geo-demographic prediction
- Title（参考訳）: 深層住宅の表現:教師なし学習を用いて標高データを解き放つジオデミノグラフィー予測
- Authors: Matthew Stevenson, Christophe Mues, Cristi\'an Bravo
- Abstract要約: LiDAR技術は、都市景観と農村景観の詳細な3次元標高マップを提供するために利用することができる。
現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。
我々は、このデータの適合性は、独自のだけでなく、人口統計学的特徴と組み合わせたデータの源でもあると考え、埋め込みの現実的なユースケースを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: LiDAR (short for "Light Detection And Ranging" or "Laser Imaging, Detection,
And Ranging") technology can be used to provide detailed three-dimensional
elevation maps of urban and rural landscapes. To date, airborne LiDAR imaging
has been predominantly confined to the environmental and archaeological
domains. However, the geographically granular and open-source nature of this
data also lends itself to an array of societal, organizational and business
applications where geo-demographic type data is utilised. Arguably, the
complexity involved in processing this multi-dimensional data has thus far
restricted its broader adoption. In this paper, we propose a series of
convenient task-agnostic tile elevation embeddings to address this challenge,
using recent advances from unsupervised Deep Learning. We test the potential of
our embeddings by predicting seven English indices of deprivation (2019) for
small geographies in the Greater London area. These indices cover a range of
socio-economic outcomes and serve as a proxy for a wide variety of downstream
tasks to which the embeddings can be applied. We consider the suitability of
this data not just on its own but also as an auxiliary source of data in
combination with demographic features, thus providing a realistic use case for
the embeddings. Having trialled various model/embedding configurations, we find
that our best performing embeddings lead to Root-Mean-Squared-Error (RMSE)
improvements of up to 21% over using standard demographic features alone. We
also demonstrate how our embedding pipeline, using Deep Learning combined with
K-means clustering, produces coherent tile segments which allow the latent
embedding features to be interpreted.
- Abstract（参考訳）: LiDAR("Light Detection And Ranging" または "Laser Imaging, Detection, And Ranging" の略)技術は、都市景観と農村景観の詳細な3次元標高図を提供するために使用できる。
現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。
しかしながら、このデータの地理的に粒度が高く、オープンソースな性質は、ジオデミック型データが活用される社会、組織、ビジネスアプリケーションにも役立ちます。
おそらく、この多次元データの処理にまつわる複雑さは、これまで広く採用を制限してきた。
本稿では,教師なし深層学習の最近の進歩を活かし,この課題に対処するため,タスク非依存なタイルの埋め込み方式を提案する。
ロンドン大都市圏の小さな地形に対する7つの英語の欠落指標 (2019) を予測し, 埋め込みの可能性を検証する。
これらの指標は、様々な社会経済的成果をカバーし、埋め込みを適用可能な様々な下流タスクのプロキシとして機能する。
我々は、このデータの適合性は、それ自体だけでなく、人口統計学的特徴と組み合わせたデータの補助源としても考慮し、埋め込みの現実的なユースケースを提供する。
様々なモデル/埋め込み構成を試したところ、私たちの最高の実装は、標準の人口統計学的特徴だけでの使用よりも最大21%改善したRoot-Mean-Squared-Error(RMSE)につながることがわかった。
また、ディープラーニングとk-meansクラスタリングを組み合わせることで、潜在埋め込み機能を解釈可能なコヒーレントなタイルセグメントを生成する方法も示しています。
関連論文リスト
- Enabling Advanced Land Cover Analytics: An Integrated Data Extraction Pipeline for Predictive Modeling with the Dynamic World Dataset [1.3757956340051605]
Dynamic Worldデータセットを扱うために、フレキシブルで効率的なエンドツーエンドパイプラインを提示します。
これには、ノイズ除去に取り組む前処理および表現フレームワーク、大量のデータの効率的な抽出、LULCデータの再表現が含まれる。
パイプラインのパワーを実証するために、都市化予測問題のためのデータを抽出し、優れたパフォーマンスで機械学習モデルのスイートを構築する。
論文 参考訳（メタデータ） (2024-10-11T16:13:01Z) - Into the Unknown: Generating Geospatial Descriptions for New Environments [18.736071151303726]
レンデブー課題は、同心空間関係の推論を必要とする。
座標と組み合わせたオープンソース記述(例えばウィキペディア)を使用することで、トレーニングデータを提供するが、空間指向の限られたテキストに悩まされる。
新しい環境のための高品質な合成データを生成するための大規模拡張手法を提案する。
論文 参考訳（メタデータ） (2024-06-28T14:56:21Z) - GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。
我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。
実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
論文 参考訳（メタデータ） (2023-10-10T00:03:23Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳（メタデータ） (2023-06-14T05:48:36Z) - 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) - DOORS: Dataset fOr bOuldeRs Segmentation. Statistical properties and
Blender setup [0.0]
小天体の表面におけるボルダーの検出能力は、重要な操作やナビゲーションにおけるハザード検出などの視覚ベースの応用に有用である。
この研究は、2つのデータセットを生成するために使われる統計的な特徴と設定を提供する。
論文 参考訳（メタデータ） (2022-10-28T16:39:06Z) - 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) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳（メタデータ） (2022-01-31T20:02:22Z) - 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) - Towards Semantic Segmentation of Urban-Scale 3D Point Clouds: A Dataset,
Benchmarks and Challenges [52.624157840253204]
我々は、30億点近い注釈付きポイントを持つ都市規模の測光点クラウドデータセットを提示する。
私たちのデータセットは、イギリスの3つの都市からなり、都市の景観の約7.6km2をカバーしています。
我々は,データセット上での最先端アルゴリズムの性能を評価し,その結果を包括的に分析する。
論文 参考訳（メタデータ） (2020-09-07T14:47:07Z) - Learning and Recognizing Archeological Features from LiDAR Data [8.135393502095909]
本稿では,LiDAR(Light Detection and Ranging)データを処理するリモートセンシングパイプラインを提案する。
本研究の目的は,地域空間と考古学的アーティファクトを教師付きで識別し,ドメインの専門家が必要に応じて柔軟にパラメータを調整できるようにすることである。
論文 参考訳（メタデータ） (2020-04-05T05:36:37Z)
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。