論文の概要: A new explainable DTM generation algorithm with airborne LIDAR data:
grounds are smoothly connected eventually
- arxiv url: http://arxiv.org/abs/2208.11243v1
- Date: Wed, 24 Aug 2022 00:26:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-25 13:09:15.132333
- Title: A new explainable DTM generation algorithm with airborne LIDAR data:
grounds are smoothly connected eventually
- Title（参考訳）: LIDARデータを用いた新しい説明可能なDTM生成アルゴリズム:グラウンドは最終的にスムーズに接続される
- Authors: Hunsoo Song, Jinha Jung
- Abstract要約: 本研究では,空飛ぶLiDARデータに対するオープンソースDTM生成アルゴリズムを提案する。
提案アルゴリズムの堅牢性と特異性は,地理的に複雑な環境で評価された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The digital terrain model (DTM) is fundamental geospatial data for various
studies in urban, environmental, and Earth science. The reliability of the
results obtained from such studies can be considerably affected by the errors
and uncertainties of the underlying DTM. Numerous algorithms have been
developed to mitigate the errors and uncertainties of DTM. However, most
algorithms involve tricky parameter selection and complicated procedures that
make the algorithm's decision rule obscure, so it is often difficult to explain
and predict the errors and uncertainties of the resulting DTM. Also, previous
algorithms often consider the local neighborhood of each point for
distinguishing non-ground objects, which limits both search radius and
contextual understanding and can be susceptible to errors particularly if point
density varies. This study presents an open-source DTM generation algorithm for
airborne LiDAR data that can consider beyond the local neighborhood and whose
results are easily explainable, predictable, and reliable. The key assumption
of the algorithm is that grounds are smoothly connected while non-grounds are
surrounded by areas having sharp elevation changes. The robustness and
uniqueness of the proposed algorithm were evaluated in geographically complex
environments through tiling evaluation compared to other state-of-the-art
algorithms.
- Abstract（参考訳）: デジタル地形モデル(DTM)は、都市、環境、地球科学における様々な研究のための基本的な地理空間データである。
これらの研究から得られた結果の信頼性は、基礎となるDTMの誤りや不確実性に大きく影響を受ける。
DTMの誤りや不確かさを軽減するために多くのアルゴリズムが開発されている。
しかし、ほとんどのアルゴリズムは、複雑なパラメータ選択とアルゴリズムの決定規則を曖昧にする複雑な手順を伴っているため、結果のDTMの誤りや不確かさを説明・予測することはしばしば困難である。
また、従来のアルゴリズムでは、探索半径と文脈理解の両方を制限し、特に点密度が変化するとエラーに影響を受けやすい非接地物体を区別するために、各点の局所近傍を考えることが多い。
本研究では,空飛ぶLiDARデータに対するオープンソースのDTM生成アルゴリズムを提案する。
このアルゴリズムの鍵となる仮定は、接地は滑らかに連結され、非接地は急な標高変化のある領域に囲まれているということである。
提案したアルゴリズムのロバスト性と一意性は,他の最先端アルゴリズムと比較し,タイリング評価により地理的に複雑な環境で評価した。
関連論文リスト
- Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。
本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。
提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
論文 参考訳（メタデータ） (2024-05-22T22:22:25Z) - Bagged Regularized $k$-Distances for Anomaly Detection [9.899763598214122]
BRDAD (Bagged regularized $k$-distances for Anomaly Detection) と呼ばれる距離に基づく新しいアルゴリズムを提案する。
我々のBRDADアルゴリズムは、重み付けされた密度推定のための$k$-distances(BWDDE)の実証的リスクの有限標本境界を最小化して重みを選択する。
理論的には,我々のアルゴリズムに対するAUCの高速収束率を確立し,バッグング手法が計算複雑性を著しく減少させることを示す。
論文 参考訳（メタデータ） (2023-12-02T07:00:46Z) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳（メタデータ） (2023-11-19T05:37:18Z) - Stability and Generalization of the Decentralized Stochastic Gradient
Descent Ascent Algorithm [80.94861441583275]
本稿では,分散勾配勾配(D-SGDA)アルゴリズムの一般化境界の複雑さについて検討する。
本研究は,D-SGDAの一般化における各因子の影響を解析した。
また、最適凸凹設定を得るために一般化とバランスをとる。
論文 参考訳（メタデータ） (2023-10-31T11:27:01Z) - Gauge-optimal approximate learning for small data classification
problems [0.0]
小さなデータ学習問題は、応答変数の観測量が限られたことと大きな特徴空間次元との相違によって特徴づけられる。
本稿では,Gauge-Optimal Approximate Learning (GOAL)アルゴリズムを提案する。
GOALは、合成データと、気候科学やバイオインフォマティクスといった現実世界の応用に挑戦する、最先端の機械学習(ML)ツールと比較されている。
論文 参考訳（メタデータ） (2023-10-29T16:46:05Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - MissDAG: Causal Discovery in the Presence of Missing Data with
Continuous Additive Noise Models [78.72682320019737]
不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。
MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。
各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
論文 参考訳（メタデータ） (2022-05-27T09:59:46Z) - Comparative Analysis of Extreme Verification Latency Learning Algorithms [3.3439097577935213]
本稿では、EVLアルゴリズムのいくつかの弱点と強みを指摘するための総合的な調査と比較分析を行う。
この研究は、この分野の既存のアルゴリズムのレビューを研究コミュニティに提供するための、非常に最初の取り組みである。
論文 参考訳（メタデータ） (2020-11-26T16:34:56Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z) - A Weighted Mutual k-Nearest Neighbour for Classification Mining [4.538870924201896]
kNNは非常に効果的なインスタンスベースの学習方法であり、実装が容易です。
本稿では,データセットから疑似近傍の異常検出と除去を行う新しい学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-14T18:11:30Z)
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。