論文の概要: Automated Urban Planning aware Spatial Hierarchies and Human Instructions

• arxiv url: http://arxiv.org/abs/2209.13002v1
• Date: Mon, 26 Sep 2022 20:37:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 15:24:36.534717
• Title: Automated Urban Planning aware Spatial Hierarchies and Human Instructions
• Title（参考訳）: 空間的階層とヒューマンインストラクションを考慮した自動都市計画
• Authors: Dongjie Wang, Kunpeng Liu, Yanyong Huang, Leilei Sun, Bowen Du, and Yanjie Fu
• Abstract要約: 本稿では,GAN(Generative Adversarial Network)に基づく都市プランナを提案する。 GANは人間の指示や周囲の文脈からの情報に基づいて都市機能ゾーンを構築する。 作業の有効性を検証するため、広範な実験を行います。
• 参考スコア（独自算出の注目度）: 33.06221365923015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional urban planning demands urban experts to spend considerable time and effort producing an optimal urban plan under many architectural constraints. The remarkable imaginative ability of deep generative learning provides hope for renovating urban planning. While automated urban planners have been examined, they are constrained because of the following: 1) neglecting human requirements in urban planning; 2) omitting spatial hierarchies in urban planning, and 3) lacking numerous urban plan data samples. To overcome these limitations, we propose a novel, deep, human-instructed urban planner. In the preliminary work, we formulate it into an encoder-decoder paradigm. The encoder is to learn the information distribution of surrounding contexts, human instructions, and land-use configuration. The decoder is to reconstruct the land-use configuration and the associated urban functional zones. The reconstruction procedure will capture the spatial hierarchies between functional zones and spatial grids. Meanwhile, we introduce a variational Gaussian mechanism to mitigate the data sparsity issue. Even though early work has led to good results, the performance of generation is still unstable because the way spatial hierarchies are captured may lead to unclear optimization directions. In this journal version, we propose a cascading deep generative framework based on generative adversarial networks (GANs) to solve this problem, inspired by the workflow of urban experts. In particular, the purpose of the first GAN is to build urban functional zones based on information from human instructions and surrounding contexts. The second GAN will produce the land-use configuration based on the functional zones that have been constructed. Additionally, we provide a conditioning augmentation module to augment data samples. Finally, we conduct extensive experiments to validate the efficacy of our work.
• Abstract（参考訳）: 伝統的な都市計画は、多くの建築上の制約の下で最適な都市計画を作成するために、多くの時間と労力を都市の専門家に要求する。 深層学習の驚くべき想像力は、都市計画の改革に期待を与えている。 自動都市計画が検討されているが、以下の制約がある。 1) 都市計画における人的要件の無視 2)都市計画における空間階層の省略 3)多数の都市計画データサンプルがない。 これらの制約を克服するため,我々は新しい深層計画立案者を提案する。 予備的な作業では、エンコーダ-デコーダパラダイムに定式化する。 エンコーダは、周囲の状況、人的指示、土地利用構成に関する情報分布を学習する。 デコーダは、土地利用構成と関連する都市機能ゾーンを再構築するものである。 再構成手順は機能領域と空間グリッドの間の空間階層をキャプチャする。 一方,データ分散問題を緩和するための変分ガウス機構を導入する。 初期の研究は良い結果をもたらしたが、空間階層の取得方法が不明瞭な最適化方向につながるため、生成性能は依然として不安定である。 本稿では,都市専門家のワークフローに触発されて,この問題を解決するために,GAN(Generative Adversarial Network)に基づくカスケード深層生成フレームワークを提案する。 特に、最初のGANの目的は、人間の指示や周囲の文脈からの情報に基づいて都市機能ゾーンを構築することである。 第2のGANは、構築された機能ゾーンに基づいた土地利用構成を生成する。 さらに,データサンプルを補完するコンディショニング拡張モジュールも提供する。 最後に,本研究の有効性を検証するために広範な実験を行った。

関連論文リスト

• StreetSurfGS: Scalable Urban Street Surface Reconstruction with Planar-based Gaussian Splatting [85.67616000086232]
  StreetSurfGSは、スケーラブルな街路景観の再構築に適したガウススプラッティングを利用するための最初の方法である。 StreetSurfGSは、平面ベースのオクツリー表現とセグメンテーショントレーニングを使用して、メモリコストを削減し、ユニークなカメラ特性に対応し、スケーラビリティを確保する。 スパースビューとマルチスケールの課題に対処するために、隣接する情報と長期情報を活用する2段階マッチング戦略を用いる。
  論文  参考訳（メタデータ） (2024-10-06T04:21:59Z)
• Dual-stage Flows-based Generative Modeling for Traceable Urban Planning [33.03616838528995]
  本稿では,正規化フローに基づく新しい生成フレームワーク,すなわちDual-stage Urban Flowsフレームワークを提案する。 我々は、機能ゾーン間の関係を捉え、異なる側面の情報を融合するために、情報融合モジュールを使用します。 我々の枠組みは、都市計画作業における他の生成モデルよりも優れる。
  論文  参考訳（メタデータ） (2023-10-03T21:49:49Z)
• Unified Data Management and Comprehensive Performance Evaluation for Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
  この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。 都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。 多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
  論文  参考訳（メタデータ） (2023-08-24T16:20:00Z)
• Human-instructed Deep Hierarchical Generative Learning for Automated Urban Planning [57.91323079939641]
  我々は,最適な都市計画を生成するために,人間に指示された新しい深層階層生成モデルを構築した。 最初の段階は、機能ゾーンを発見するために、目標領域の格子に遅延関数をラベル付けすることである。 第2の段階は、都市機能投影を形成するための計画要件を理解することである。 第3の段階は、マルチアテンションを活用して、機能プロジェクションのゾーン・ゾーン・ピア依存関係をモデル化し、グリッドレベルの土地利用構成を生成することである。
  論文  参考訳（メタデータ） (2022-12-01T23:06:41Z)
• A Contextual Master-Slave Framework on Urban Region Graph for Urban Village Detection [68.84486900183853]
  都市域を階層的にモデル化する都市域グラフ(URG)を構築した。 そこで我々は,都市部をURGから効果的に検出する新しいコンテキスト・マスタ・スレーブ・フレームワークを設計した。 提案手法は,都市部における紫外線検出の一般性と特異性のバランスをとることができる。
  論文  参考訳（メタデータ） (2022-11-26T18:17:39Z)
• Automated Urban Planning for Reimagining City Configuration via Adversarial Learning: Quantification, Generation, and Evaluation [30.48671788567521]
  都市計画とは、ある地域に与えられた土地利用形態を設計することを指す。 効果的な都市計画を得るためには、都市の専門家は高度に計画された制約を分析するのに多くの時間と労力を費やす必要がある。 我々は、都市自動計画問題を深層学習の課題に定式化する。
  論文  参考訳（メタデータ） (2021-12-26T00:59:35Z)
• Deep Human-guided Conditional Variational Generative Modeling for Automated Urban Planning [30.614010268762115]
  都市計画は土地利用形態を設計し、居住可能で持続可能で安全なコミュニティの構築に役立てることができる。 画像生成にインスパイアされた深層都市計画は、深層学習を活用して土地利用構成を生成することを目的としている。 本稿では, 上記の課題を共同で解決するための, 深層都市計画手法について検討する。
  論文  参考訳（メタデータ） (2021-10-12T15:45:38Z)
• Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
  本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。 我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。 フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
  論文  参考訳（メタデータ） (2021-04-30T12:47:52Z)
• Reimagining City Configuration: Automated Urban Planning via Adversarial Learning [28.930624100994514]
  都市計画は、土地利用形態を設計する努力を指す。 近年のディープラーニングの進歩は、機械が人間の能力で学習し、土地利用構成を自動的かつ迅速に計算することができるか、という問いを提起する動機となっている。
  論文  参考訳（メタデータ） (2020-08-22T21:15:39Z)

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。