論文の概要: Automated Urban Planning for Reimagining City Configuration via Adversarial Learning: Quantification, Generation, and Evaluation

• arxiv url: http://arxiv.org/abs/2112.14699v1
• Date: Sun, 26 Dec 2021 00:59:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-30 16:12:18.630147
• Title: Automated Urban Planning for Reimagining City Configuration via Adversarial Learning: Quantification, Generation, and Evaluation
• Title（参考訳）: 逆学習による都市構成再構築のための都市計画の自動化:定量化, 生成, 評価
• Authors: Dongjie Wang, Yanjie Fu, Kunpeng Liu, Fanglan Chen, Pengyang Wang, Chang-Tien Lu
• Abstract要約: 都市計画とは、ある地域に与えられた土地利用形態を設計することを指す。 効果的な都市計画を得るためには、都市の専門家は高度に計画された制約を分析するのに多くの時間と労力を費やす必要がある。 我々は、都市自動計画問題を深層学習の課題に定式化する。
• 参考スコア（独自算出の注目度）: 30.48671788567521
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban planning refers to the efforts of designing land-use configurations given a region. However, to obtain effective urban plans, urban experts have to spend much time and effort analyzing sophisticated planning constraints based on domain knowledge and personal experiences. To alleviate the heavy burden of them and produce consistent urban plans, we want to ask that can AI accelerate the urban planning process, so that human planners only adjust generated configurations for specific needs? The recent advance of deep generative models provides a possible answer, which inspires us to automate urban planning from an adversarial learning perspective. However, three major challenges arise: 1) how to define a quantitative land-use configuration? 2) how to automate configuration planning? 3) how to evaluate the quality of a generated configuration? In this paper, we systematically address the three challenges. Specifically, 1) We define a land-use configuration as a longitude-latitude-channel tensor. 2) We formulate the automated urban planning problem into a task of deep generative learning. The objective is to generate a configuration tensor given the surrounding contexts of a target region. 3) We provide quantitative evaluation metrics and conduct extensive experiments to demonstrate the effectiveness of our framework.
• Abstract（参考訳）: 都市計画とは、地域ごとに土地利用形態を設計すること。 しかし、効果的な都市計画を得るためには、都市の専門家はドメイン知識と個人経験に基づく高度な計画制約の分析に多くの時間と労力を費やす必要がある。 それらの重荷を軽減し、一貫した都市計画を創出するために、AIが都市計画プロセスを加速し、人間のプランナーが特定のニーズのために生成された構成を調整できるようにしたいと考えている。 近年の深層生成モデルの発展は, 都市計画の自動化を, 敵対的学習の観点から促す可能性がある。 しかし、大きな課題は3つある。 1) 量的土地利用構成をどう定義するか。 2) 構成計画を自動化するには? 3) 生成した構成の品質を評価するには? 本稿では,3つの課題を体系的に解決する。 具体的には 1) 土地利用構成を経度チャネルテンソルとして定義する。 2) 都市計画の自動解法を, 深層学習の課題として定式化する。 目的は、対象領域の周囲コンテキストが与えられた構成テンソルを生成することである。 3)定量的評価指標を提供し,フレームワークの有効性を実証するための広範な実験を行う。

関連論文リスト

• Neural MP: A Generalist Neural Motion Planner [75.82675575009077]
  運動計画問題にデータ駆動学習を大規模に適用することで,これを実現する。 提案手法は, シミュレーションの複雑なシーンを多数構築し, モーションプランナーから専門家のデータを収集し, 反応的なジェネラリストポリシーに抽出する。 我々は,4つの異なる環境における64の動作計画タスクについて,その方法の徹底的な評価を行う。
  論文  参考訳（メタデータ） (2024-09-09T17:59:45Z)
• Agent Planning with World Knowledge Model [88.4897773735576]
  エージェント計画を容易にするためにパラメトリック世界知識モデル(WKM)を導入する。 我々はWKMを開発し,グローバルプランニングと動的状態知識を指導し,地域プランニングを支援する。 本手法は, 各種の強靭なベースラインと比較して, 優れた性能が得られる。
  論文  参考訳（メタデータ） (2024-05-23T06:03:19Z)
• Dual-stage Flows-based Generative Modeling for Traceable Urban Planning [33.03616838528995]
  本稿では,正規化フローに基づく新しい生成フレームワーク,すなわちDual-stage Urban Flowsフレームワークを提案する。 我々は、機能ゾーン間の関係を捉え、異なる側面の情報を融合するために、情報融合モジュールを使用します。 我々の枠組みは、都市計画作業における他の生成モデルよりも優れる。
  論文  参考訳（メタデータ） (2023-10-03T21:49:49Z)
• UrbanBIS: a Large-scale Benchmark for Fine-grained Urban Building Instance Segmentation [50.52615875873055]
  都市BISは6つの実際の都市のシーンで構成され、25億点があり、面積は10.78平方キロメートルである。 UrbanBISは、建物、車両、植生、道路、橋など、豊富な都市オブジェクトに意味レベルのアノテーションを提供する。 UrbanBISは、きめ細かいサブカテゴリを導入した最初の3Dデータセットである。
  論文  参考訳（メタデータ） (2023-05-04T08:01:38Z)
• Human-instructed Deep Hierarchical Generative Learning for Automated Urban Planning [57.91323079939641]
  我々は,最適な都市計画を生成するために,人間に指示された新しい深層階層生成モデルを構築した。 最初の段階は、機能ゾーンを発見するために、目標領域の格子に遅延関数をラベル付けすることである。 第2の段階は、都市機能投影を形成するための計画要件を理解することである。 第3の段階は、マルチアテンションを活用して、機能プロジェクションのゾーン・ゾーン・ピア依存関係をモデル化し、グリッドレベルの土地利用構成を生成することである。
  論文  参考訳（メタデータ） (2022-12-01T23:06:41Z)
• Automated Urban Planning aware Spatial Hierarchies and Human Instructions [33.06221365923015]
  本稿では,GAN(Generative Adversarial Network)に基づく都市プランナを提案する。 GANは人間の指示や周囲の文脈からの情報に基づいて都市機能ゾーンを構築する。 作業の有効性を検証するため、広範な実験を行います。
  論文  参考訳（メタデータ） (2022-09-26T20:37:02Z)
• Learning Reconstructability for Drone Aerial Path Planning [51.736344549907265]
  本研究では,無人ドローンを用いた大規模3次元都市景観獲得のためのビューとパスプランニングを改善するための,学習に基づく最初の再構成可能性予測器を提案する。 従来の手法とは対照的に,本手法では,一組の視点から3次元都市景観をいかによく再構築するかを明示的に予測するモデルを学習する。
  論文  参考訳（メタデータ） (2022-09-21T08:10:26Z)
• Deep Human-guided Conditional Variational Generative Modeling for Automated Urban Planning [30.614010268762115]
  都市計画は土地利用形態を設計し、居住可能で持続可能で安全なコミュニティの構築に役立てることができる。 画像生成にインスパイアされた深層都市計画は、深層学習を活用して土地利用構成を生成することを目的としている。 本稿では, 上記の課題を共同で解決するための, 深層都市計画手法について検討する。
  論文  参考訳（メタデータ） (2021-10-12T15:45:38Z)
• Reimagining City Configuration: Automated Urban Planning via Adversarial Learning [28.930624100994514]
  都市計画は、土地利用形態を設計する努力を指す。 近年のディープラーニングの進歩は、機械が人間の能力で学習し、土地利用構成を自動的かつ迅速に計算することができるか、という問いを提起する動機となっている。
  論文  参考訳（メタデータ） (2020-08-22T21:15:39Z)

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。