論文の概要: Towards the automated large-scale reconstruction of past road networks
from historical maps
- arxiv url: http://arxiv.org/abs/2202.04883v2
- Date: Fri, 11 Feb 2022 09:44:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-14 12:19:17.449454
- Title: Towards the automated large-scale reconstruction of past road networks
from historical maps
- Title(参考訳): 歴史地図からの道路網の大規模自動再構築に向けて
- Authors: Johannes H. Uhl, Stefan Leyk, Yao-Yi Chiang, and Craig A. Knoblock
- Abstract要約: 我々は,過去の道路網を再構築するために,スキャンおよびジオレファレンス付き歴史地図シリーズを多用するフレームワークを提案する。
米国内の道路ネットワークの5万km以上に相当する30万以上の道路セグメントで,本手法を検証した。
- 参考スコア(独自算出の注目度): 5.902781409284461
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Transportation infrastructure, such as road or railroad networks, represent a
fundamental component of our civilization. For sustainable planning and
informed decision making, a thorough understanding of the long-term evolution
of transportation infrastructure such as road networks is crucial. However,
spatially explicit, multi-temporal road network data covering large spatial
extents are scarce and rarely available prior to the 2000s. Herein, we propose
a framework that employs increasingly available scanned and georeferenced
historical map series to reconstruct past road networks, by integrating
abundant, contemporary road network data and color information extracted from
historical maps. Specifically, our method uses contemporary road segments as
analytical units and extracts historical roads by inferring their existence in
historical map series based on image processing and clustering techniques. We
tested our method on over 300,000 road segments representing more than 50,000
km of the road network in the United States, extending across three study areas
that cover 53 historical topographic map sheets dated between 1890 and 1950. We
evaluated our approach by comparison to other historical datasets and against
manually created reference data, achieving F-1 scores of up to 0.95, and showed
that the extracted road network statistics are highly plausible over time,
i.e., following general growth patterns. We demonstrated that contemporary
geospatial data integrated with information extracted from historical map
series open up new avenues for the quantitative analysis of long-term
urbanization processes and landscape changes far beyond the era of operational
remote sensing and digital cartography.
- Abstract(参考訳): 道路や鉄道網などの交通インフラは、我々の文明の基本的な構成要素である。
持続可能な計画と意思決定には,道路網などの交通インフラの長期的発展の理解が不可欠である。
しかし,2000年代以前の空間的範囲を網羅する空間的明示的多時的道路網データはほとんど得られなかった。
そこで本研究では,従来の道路網を再構築する上で,地図から抽出した道路網データとカラー情報を統合することで,スキャンやジオレファレンスによる歴史地図シリーズを利用できるフレームワークを提案する。
具体的には,現代の道路セグメントを分析単位として,画像処理とクラスタリング技術に基づき,歴史地図シリーズにおけるその存在を推定し,歴史的道路を抽出する。
1890年から1950年までの53の歴史的地形図表を網羅する3つの研究領域にまたがって,米国内の道路網の5万km以上を表す30,000以上の道路セグメントで実験を行った。
提案手法を,他の過去のデータセットと比較し,手作業による参照データと比較して評価し,F-1スコアを最大0.95まで達成し,抽出した道路網の統計値が時間とともに高い確率,すなわち全般的な成長パターンに従うことを示した。
歴史的地図シリーズから抽出した情報と統合された現代地理空間データが,遠隔操作型リモートセンシングやデジタルカルトグラフィー以上の長期都市化過程と景観変化を定量的に分析するための新たな道を開くことを実証した。
関連論文リスト
- Brightearth roads: Towards fully automatic road network extraction from satellite imagery [2.446672595462589]
衛星画像から道路網を抽出する完全自動パイプラインを提案する。
提案手法は, シームレスに接続し, 正確な位置決めを行う道路線路ストリングを直接生成する。
論文 参考訳(メタデータ) (2024-06-21T07:55:15Z) - Automatic Extraction of Relevant Road Infrastructure using Connected
vehicle data and Deep Learning Model [4.235459779667272]
本稿では,コネクテッドカーデータと最先端のディープラーニング技術を活用した新しいアプローチを提案する。
道路区間にジオハッシングを施し,道路区間の画像表現を生成することにより,道路区間と交差点の正確な分類にYOLOv5アルゴリズムを用いる。
実験の結果,97%のF1スコア,90%のF1スコアに到達した。
論文 参考訳(メタデータ) (2023-08-10T15:57:47Z) - Semi-supervised Road Updating Network (SRUNet): A Deep Learning Method
for Road Updating from Remote Sensing Imagery and Historical Vector Maps [3.350048575501172]
本研究では,道路更新のための半教師付き学習(SRUNet)に基づく道路検出手法を提案する。
提案したSRUNetは,幅広い道路更新作業に対して,安定かつ最新かつ信頼性の高い予測結果を提供する。
論文 参考訳(メタデータ) (2023-04-28T16:51:35Z) - Will there be a construction? Predicting road constructions based on
heterogeneous spatiotemporal data [1.2891210250935146]
道路建設は交通インフラを維持している。
本稿では、ディープ・ニューラル・ネットワーク・ベース・モデルを用いて将来の構築を予測するためのアプローチについて報告する。
本モデルでは,建設,気象,地図,道路網のデータからなる異種データセットに対して,畳み込み成分と繰り返し成分の両方を適用した。
論文 参考訳(メタデータ) (2022-09-14T17:59:14Z) - SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and
Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
道路抽出は、自律航法システムを構築するための重要なステップである。
この問題に対して単に畳み込みニューラルネットワーク(ConvNets)を使用することは、画像内の道路セグメント間の遠い依存関係をキャプチャする非効率であるため、効果がない。
本研究では,ConvNetに接続した時,特徴写像から投影された空間空間および相互作用空間上に構築されたグラフの推論を行う空間空間グラフ推論(SPIN)モジュールを提案する。
論文 参考訳(メタデータ) (2021-09-16T03:52:17Z) - DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。
グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。
2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
論文 参考訳(メタデータ) (2020-12-22T21:58:57Z) - Hierarchical Recurrent Attention Networks for Structured Online Maps [91.28820076955128]
疎い3次元点雲からのオンライン道路網抽出の問題に対処する。
この手法はannotatorがレーングラフを構築する方法に触発され、まず何レーンあるかを特定し、順番に各レーンを描画する。
我々は,レーン境界の初期領域に順応する階層的リカレントネットワークを開発し,構造化ポリラインを出力することにより,それらを完全にトレースする。
論文 参考訳(メタデータ) (2020-12-22T19:35:53Z) - Convolutional Recurrent Network for Road Boundary Extraction [99.55522995570063]
我々は,LiDARとカメラ画像からの道路境界抽出の問題に取り組む。
我々は,完全畳み込みネットワークが道路境界の位置と方向をエンコードする深い特徴量を得る構造化モデルを設計する。
北米の大都市において,道路境界の完全なトポロジを99.3%の時間で得られる方法の有効性を示す。
論文 参考訳(メタデータ) (2020-12-21T18:59:12Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳(メタデータ) (2020-06-24T04:45:14Z) - 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) - Street-level Travel-time Estimation via Aggregated Uber Data [2.838842554577539]
都市部における道路セグメントに沿った時間的パターンの推定は,交通技術者や都市計画者にとって重要な課題である。
本研究では,大都市圏の街路レベルの走行時間を推定するために,粗粒度および集約された走行時間データを活用する手法を提案する。
論文 参考訳(メタデータ) (2020-01-13T21:14:38Z)
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。