論文の概要: Large-Scale Auto-Regressive Modeling Of Street Networks

• arxiv url: http://arxiv.org/abs/2209.00281v1
• Date: Thu, 1 Sep 2022 07:58:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-02 14:09:06.933584
• Title: Large-Scale Auto-Regressive Modeling Of Street Networks
• Title（参考訳）: 道路網の大規模自己回帰モデリング
• Authors: Michael Birsak, Tom Kelly, Wamiq Para, Peter Wonka
• Abstract要約: 本稿では,都市規模の道路レイアウト作成のための新しい生成手法を提案する。 本フレームワークは,完全街路網を表す頂点と辺からなる高品質な大規模トラバーサブルグラフを生成する。 OpenStreetMapのデータを使って、私たちは都市全体、さらには米国などの大国でも、私たちのシステムをトレーニングし、最終的に最先端のアートと比較します。
• 参考スコア（独自算出の注目度）: 35.288935247546995
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present a novel generative method for the creation of city-scale road layouts. While the output of recent methods is limited in both size of the covered area and diversity, our framework produces large traversable graphs of high quality consisting of vertices and edges representing complete street networks covering 400 square kilometers or more. While our framework can process general 2D embedded graphs, we focus on street networks due to the wide availability of training data. Our generative framework consists of a transformer decoder that is used in a sliding window manner to predict a field of indices, with each index encoding a representation of the local neighborhood. The semantics of each index is determined by a dictionary of context vectors. The index field is then input to a decoder to compute the street graph. Using data from OpenStreetMap, we train our system on whole cities and even across large countries such as the US, and finally compare it to the state of the art.
• Abstract（参考訳）: 本稿では,都市規模の道路レイアウト作成のための新しい生成手法を提案する。 近年の手法の出力はカバー面積と多様性の両面で制限されているが,本フレームワークは,400平方キロメートル以上の道路網を網羅する頂点と辺からなる,高品質な大規模トラバーサブルグラフを生成する。 我々のフレームワークは一般的な2D埋め込みグラフを処理できるが、トレーニングデータの普及により、ストリートネットワークに注目する。 私たちの生成フレームワークは、スライディングウィンドウ方式でインデックスのフィールドを予測するトランスデコーダで構成されており、各インデックスはローカル近傍の表現をエンコードしています。 各インデックスの意味は、文脈ベクトルの辞書によって決定される。 次にインデックスフィールドがデコーダに入力され、ストリートグラフが計算される。 OpenStreetMapのデータを使って、私たちは都市全体、さらには米国などの大国でも、私たちのシステムをトレーニングし、最終的に最先端のアートと比較します。

関連論文リスト

• Probabilistic road classification in historical maps using synthetic data and deep learning [3.3755652248305004]
  深層学習と地理情報,コンピュータによる絵画,画像処理手法を融合した新しいフレームワークを提案する。 この枠組みは,道路地形のみを用いた歴史地図からの道路の抽出と分類を可能にする。 道路クラス2では, それぞれ94%以上, 92%以上であった。
  論文  参考訳（メタデータ） (2024-10-03T06:43:09Z)
• Streetscapes: Large-scale Consistent Street View Generation Using Autoregressive Video Diffusion [61.929653153389964]
  そこで本研究では,街並みを連続的に合成した街並みの景観を再現する手法を提案する。 我々の手法は、視覚的品質と一貫性を維持しつつ、複数の都市ブロックにまたがる、はるかに長い範囲のカメラ軌道にスケールすることができる。
  論文  参考訳（メタデータ） (2024-07-18T17:56:30Z)
• COHO: Context-Sensitive City-Scale Hierarchical Urban Layout Generation [1.5745692520785073]
  都市規模の都市レイアウト生成のための新しいグラフベースのマスク付きオートエンコーダ(GMAE)を提案する。 この方法は、属性付き建物、都市ブロック、コミュニティ、都市を統一的なグラフ構造に符号化する。 提案手法は,米国330都市における異質な都市スタイルにおける良好な現実性,意味的整合性,正当性を実現する。
  論文  参考訳（メタデータ） (2024-07-16T00:49:53Z)
• Hierarchical Graph Structures for Congestion and ETA Prediction [0.0]
  Traffic4castは、リアルタイムデータに基づいて時間的トラフィックを予測するための年次コンペティションである。 本論文では,OpenStreetMapデータから抽出した道路グラフトポロジを直接処理するニューラルネットワークを用いたアプローチを提案する。 我々のアーキテクチャは階層的なグラフ表現を組み込んで、グラフの鍵交点とそれらを接続する最短経路の間の情報の流れを改善することができる。
  論文  参考訳（メタデータ） (2022-11-21T15:35:27Z)
• Graph representation learning for street networks [0.0]
  ストリートネットワークは、私たちの都市における異なる時間的および出現に関する貴重な情報ソースを提供する。 これまでの研究では、学習アルゴリズムによって元のデータの表現が作成できることが示されている。 本稿では,街路ネットワークから直接優れた表現を推測できるモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-09T16:02:28Z)
• Neighbor2Seq: Deep Learning on Massive Graphs by Transforming Neighbors to Sequences [55.329402218608365]
  本研究では,各ノードの階層的近傍をシーケンスに変換するためにNeighbor2Seqを提案する。 1100万以上のノードと160億のエッジを持つ大規模グラフ上で,本手法の評価を行った。 その結果,提案手法は大規模グラフに対してスケーラブルであり,大規模グラフと中規模グラフにまたがる優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-02-07T16:38:36Z)
• Graph Representation Learning for Road Type Classification [13.227651826285014]
  本稿では,最先端のグラフ畳み込みニューラルネットワークを用いた道路網のグラフ表現に対する学習に基づくアプローチを提案する。 われわれのアプローチは、オープンストリートマップから17都市の現実的な道路網に適用されている。
  論文  参考訳（メタデータ） (2021-07-16T09:32:58Z)
• 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)
• Modeling Graph Structure via Relative Position for Text Generation from Knowledge Graphs [54.176285420428776]
  グラフ-テキスト生成のための新しいトランスフォーマーベースのエンコーダデコーダアーキテクチャであるGraformerを提案する。 新たなグラフの自己アテンションでは、ノードのエンコーディングは入力グラフのすべてのノードに依存します。 グレーフォーマーは、これらのノード-ノードの関係を異なるアテンションヘッドに対して異なる重み付けを学習し、入力グラフの異なる連結ビューを仮想的に学習する。
  論文  参考訳（メタデータ） (2020-06-16T15:20:04Z)
• VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation [74.56282712099274]
  本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。 ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。 我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
  論文  参考訳（メタデータ） (2020-05-08T19:07:03Z)

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。