論文の概要: Ovid: A Machine Learning Approach for Automated Vandalism Detection in OpenStreetMap

• arxiv url: http://arxiv.org/abs/2203.11087v1
• Date: Mon, 21 Mar 2022 16:07:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 18:40:08.664057
• Title: Ovid: A Machine Learning Approach for Automated Vandalism Detection in OpenStreetMap
• Title（参考訳）: Ovid: OpenStreetMapにおける自動ヴァンダリズム検出のための機械学習アプローチ
• Authors: Nicolas Tempelmeier, Elena Demidova
• Abstract要約: 本稿では,OpenStreetMapにおける破壊行為検出のための新しい機械学習手法であるOvidを提案する。 Ovidは、情報を効果的に要約するマルチヘッドアテンションメカニズムを採用するニューラルネットワークアーキテクチャに依存している。 実世界の破壊データによる評価結果から,提案手法はF1スコアの4.7%の精度でベースラインを上回ることを示した。
• 参考スコア（独自算出の注目度）: 3.04585143845864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: OpenStreetMap is a unique source of openly available worldwide map data, increasingly adopted in real-world applications. Vandalism detection in OpenStreetMap is critical and remarkably challenging due to the large scale of the dataset, the sheer number of contributors, various vandalism forms, and the lack of annotated data to train machine learning algorithms. This paper presents Ovid - a novel machine learning method for vandalism detection in OpenStreetMap. Ovid relies on a neural network architecture that adopts a multi-head attention mechanism to effectively summarize information indicating vandalism from OpenStreetMap changesets. To facilitate automated vandalism detection, we introduce a set of original features that capture changeset, user, and edit information. Our evaluation results on real-world vandalism data demonstrate that the proposed Ovid method outperforms the baselines by 4.7 percentage points in F1 score.
• Abstract（参考訳）: OpenStreetMapは、世界中のオープンな地図データのユニークなソースであり、現実世界のアプリケーションでますます採用されている。 openstreetmapのヴァンダリズム検出は、データセットの大規模化、コントリビュータの数の増加、さまざまなヴァンダリズム形式、マシンラーニングアルゴリズムをトレーニングするための注釈付きデータの欠如などにより、批判的かつ極めて困難である。 本稿では,OpenStreetMapにおける破壊検出のための新しい機械学習手法であるOvidを提案する。 Ovidは、OpenStreetMapチェンジセットの破壊性を示す情報を効果的に要約するために、マルチヘッドアテンションメカニズムを採用したニューラルネットワークアーキテクチャに依存している。 自動破壊検出を容易にするために、変更セット、ユーザ、編集情報をキャプチャする一連のオリジナル機能を導入する。 実世界の破壊データによる評価結果から,提案手法はF1スコアの4.7%の精度でベースラインを上回った。

関連論文リスト

• TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
  我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。 我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。 レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
  論文  参考訳（メタデータ） (2024-11-22T06:13:42Z)
• uTRAND: Unsupervised Anomaly Detection in Traffic Trajectories [5.6328191854587395]
  画素空間から意味トポロジ的領域へ異常軌道予測の問題をシフトさせる uTRAND というフレームワークを提案する。 実世界で収集された異常軌跡のデータセットにおいて,uTRANDが他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-19T08:46:33Z)
• A Few-Shot Attention Recurrent Residual U-Net for Crack Segmentation [12.828719975542178]
  道路ひび割れの自動セグメンテーションのための数発の学習パラダイムを提案する。 このフレームワークは、リカレント残響モジュールとアテンションモジュール(R2AU-Net)を備えたU-Netアーキテクチャに基づいている。 大規模な実験により、提案された数発のR2AU-Netフレームワークは、DiceとIoUのメトリクスで他の最先端ネットワークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-02T21:16:17Z)
• Road Damages Detection and Classification with YOLOv7 [0.0]
  本研究は,Googleストリートビューを用いて道路被害データを収集,ラベル付けし,YOLOv7(You Only Look Once Version 7)を使用することを提案する。 提案手法は,クラウドセンシングによる道路被害検出チャレンジ (CRDDC2022, IEEE BigData 2022) に適用される。
  論文  参考訳（メタデータ） (2022-10-31T18:55:58Z)
• Attention-Based Vandalism Detection in OpenStreetMap [3.04585143845864]
  本稿では,OpenStreetMapにおける新たなアテンションに基づく破壊検出手法であるOvidを提案する。 Ovidは、OSMチェンジセットからの破壊性を示す情報を効果的に要約するために、マルチヘッドアテンションメカニズムを採用する、新しいニューラルネットワークに依存している。 我々は、OSM編集履歴から現実世界の破壊事件のデータセットを初めて抽出し、このデータセットをオープンデータとして提供する。
  論文  参考訳（メタデータ） (2022-01-25T15:52:54Z)
• Learning to Detect Every Thing in an Open World [139.78830329914135]
  我々は、Learning to Detect Every Thing (LDET)と呼ぶ、シンプルながら驚くほど強力なデータ拡張とトレーニングスキームを提案する。 可視だがラベル付けされていない背景オブジェクトの隠蔽を避けるため、元の画像の小さな領域から採取した背景画像上に注釈付きオブジェクトを貼り付ける。 LDETは、オープンワールドのインスタンスセグメンテーションタスクにおいて、多くのデータセットに大きな改善をもたらす。
  論文  参考訳（メタデータ） (2021-12-03T03:56:06Z)
• Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
  グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。 ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。 よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-04T03:42:09Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)
• Attentional Graph Neural Network for Parking-slot Detection [10.095984750382478]
  本論文では,周辺画像におけるマーキングポイントをグラフ構造データとして参照する注目グラフニューラルネットワークに基づくパーキングスロット検出手法を提案する。 手動で設計した後処理がなければ、提案手法はエンドツーエンドのトレーニングが可能である。 公開ベンチマークデータセットでは,提案手法が最先端精度を達成する実験が行われている。
  論文  参考訳（メタデータ） (2021-04-06T15:14:39Z)
• Few-Shot Learning for Video Object Detection in a Transfer-Learning Scheme [70.45901040613015]
  ビデオ物体検出のための数発学習の新たな課題について検討する。 我々は,多数のベースクラスオブジェクトに対して映像物体検出を効果的に訓練するトランスファー学習フレームワークと,ノベルクラスオブジェクトのいくつかのビデオクリップを用いる。
  論文  参考訳（メタデータ） (2021-03-26T20:37:55Z)
• Data Augmentation for Object Detection via Differentiable Neural Rendering [71.00447761415388]
  注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。 この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。 オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
  論文  参考訳（メタデータ） (2021-03-04T06:31:06Z)

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。