Fugu-MT 論文翻訳(概要): Multi-dimension Geospatial feature learning for urban region function recognition

論文の概要: Multi-dimension Geospatial feature learning for urban region function recognition

arxiv url: http://arxiv.org/abs/2207.08461v1
Date: Mon, 18 Jul 2022 09:29:10 GMT
ステータス: 処理完了
システム内更新日: 2022-07-19 21:43:28.950295
Title: Multi-dimension Geospatial feature learning for urban region function recognition
Title（参考訳）: 都市機能認識のための多次元地理空間特徴学習
Authors: Wenjia Xu, Jiuniu Wang, Yirong Wu
Abstract要約: 都市部機能認識は、限られた都市部を監視・管理する上で重要な役割を担っている。都市部機能認識のための高次元GBDデータとRS画像を組み合わせた多次元特徴学習モデル(MDFL)を提案する。我々のモデルは全体の精度を92.75で達成し、最先端の技術を10%上回った。
参考スコア（独自算出の注目度）: 16.775454672972863
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Urban region function recognition plays a vital character in monitoring and managing the limited urban areas. Since urban functions are complex and full of social-economic properties, simply using remote sensing~(RS) images equipped with physical and optical information cannot completely solve the classification task. On the other hand, with the development of mobile communication and the internet, the acquisition of geospatial big data~(GBD) becomes possible. In this paper, we propose a Multi-dimension Feature Learning Model~(MDFL) using high-dimensional GBD data in conjunction with RS images for urban region function recognition. When extracting multi-dimension features, our model considers the user-related information modeled by their activity, as well as the region-based information abstracted from the region graph. Furthermore, we propose a decision fusion network that integrates the decisions from several neural networks and machine learning classifiers, and the final decision is made considering both the visual cue from the RS images and the social information from the GBD data. Through quantitative evaluation, we demonstrate that our model achieves overall accuracy at 92.75, outperforming the state-of-the-art by 10 percent.
Abstract（参考訳）: 都市部の機能認識は、限られた都市部の監視と管理において重要な役割を担っている。都市機能は複雑で社会経済的な性質に満ちているため、物理的および光学的情報を備えたリモートセンシング(rs)画像を使うだけでは分類タスクを完全には解決できない。一方、モバイル通信とインターネットの発展に伴い、地理空間ビッグデータ~(GBD)の取得が可能となる。本稿では,都市部機能認識のための高次元GBDデータとRS画像を組み合わせた多次元特徴学習モデル~(MDFL)を提案する。本モデルでは,多次元特徴を抽出する際,その活動にモデル化されたユーザ関連情報と,領域グラフから抽象化された領域ベース情報について検討する。さらに、複数のニューラルネットワークと機械学習分類器からの決定を統合する決定融合ネットワークを提案し、最終的な決定は、RS画像からの視覚的キューとGBDデータからの社会的情報の両方を考慮したものである。定量的評価により,本モデルが全体の精度を92.75で達成し,その10%を上回った。

関連論文リスト

Swarm Intelligence in Geo-Localization: A Multi-Agent Large Vision-Language Model Collaborative Framework [51.26566634946208]
smileGeoは、新しい視覚的ジオローカライゼーションフレームワークである。エージェント間のコミュニケーションによって、SmithGeoはこれらのエージェントの固有の知識と、検索された情報を統合する。その結果,本手法は現在の最先端手法よりも優れていた。
論文参考訳（メタデータ） (2024-08-21T03:31:30Z)
City Foundation Models for Learning General Purpose Representations from OpenStreetMap [16.09047066527081]
本稿では,都市のような選択された地理的関心領域における基礎モデルをトレーニングするためのフレームワークであるCityFMを紹介する。 CityFMはOpenStreetMapからのオープンデータにのみ依存し、異なるタイプのエンティティ、空間、視覚、およびテキスト情報のマルチモーダル表現を生成する。すべての実験において、CityFMはベースラインに匹敵する、あるいは同等のパフォーマンスを達成する。
論文参考訳（メタデータ） (2023-10-01T05:55:30Z)
Granularity at Scale: Estimating Neighborhood Socioeconomic Indicators from High-Resolution Orthographic Imagery and Hybrid Learning [1.8369448205408005]
オーバーヘッド画像は、コミュニティ情報が不足しているギャップを埋めるのに役立つ。機械学習とコンピュータビジョンの最近の進歩により、画像データのパターンから素早く特徴を抽出し、検出することが可能になった。本研究では, 人口密度, 中央値世帯所得, 教育達成率の2つのアプローチ, 教師付き畳み込みニューラルネットワークと半教師付きクラスタリングについて検討する。
論文参考訳（メタデータ） (2023-09-28T19:30:26Z)
Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
論文参考訳（メタデータ） (2023-09-26T23:55:39Z)
Attentive Graph Enhanced Region Representation Learning [7.4106801792345705]
都市部を正確にかつ包括的に表現することは,様々な都市計画・分析業務に不可欠である。本研究では,複数のグラフから包括的依存関係を抽出し,都市域のリッチな意味表現を学習することを目的としたAttentive Graph Enhanced Region Representation Learning (ATGRL)モデルを提案する。
論文参考訳（メタデータ） (2023-07-06T16:38:43Z)
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)
Multi-Graph Fusion Networks for Urban Region Embedding [40.97361959702485]
ヒトの移動データから都市部の埋め込みを学習することで、地域の機能を明らかにすることができ、犯罪予測のような相関性はあるものの異なるタスクを可能にする。クロスドメイン予測タスクを実現するために,MGFN(Multi-graph fusion Network)を提案する。実験の結果、提案されたMGFNは最先端の手法よりも最大12.35%優れていた。
論文参考訳（メタデータ） (2022-01-24T15:48:50Z)
Multi-Branch Deep Radial Basis Function Networks for Facial Emotion Recognition [80.35852245488043]
放射状基底関数(RBF)ユニットによって形成された複数の分岐で拡張されたCNNベースのアーキテクチャを提案する。 RBFユニットは、中間表現を用いて類似のインスタンスで共有される局所パターンをキャプチャする。提案手法は,提案手法の競争力を高めるためのローカル情報の導入であることを示す。
論文参考訳（メタデータ） (2021-09-07T21:05:56Z)
Learning Large-scale Location Embedding From Human Mobility Trajectories with Graphs [0.0]
本研究では,大規模LBSデータを用いて位置のベクトル表現を学習する。このモデルは、人間のモビリティと空間情報にコンテキスト情報を組み込む。 GCN-L2Vは、他の場所埋め込み法や下流のGeo-Awareアプリケーションと相補的に適用することができる。
論文参考訳（メタデータ） (2021-02-23T09:11:33Z)
Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文参考訳（メタデータ） (2020-09-19T09:26:20Z)
Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision Action Recognition [131.6328804788164]
本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。 SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
論文参考訳（メタデータ） (2020-09-01T03:38:31Z)

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。