論文の概要: Building Coverage Estimation with Low-resolution Remote Sensing Imagery

• arxiv url: http://arxiv.org/abs/2301.01449v2
• Date: Thu, 5 Jan 2023 04:39:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 13:05:31.727273
• Title: Building Coverage Estimation with Low-resolution Remote Sensing Imagery
• Title（参考訳）: 低分解能リモートセンシング画像による建物被覆の推定
• Authors: Enci Liu, Chenlin Meng, Matthew Kolodner, Eun Jee Sung, Sihang Chen, Marshall Burke, David Lobell, Stefano Ermon
• Abstract要約: 本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
• 参考スコア（独自算出の注目度）: 65.95520230761544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Building coverage statistics provide crucial insights into the urbanization, infrastructure, and poverty level of a region, facilitating efforts towards alleviating poverty, building sustainable cities, and allocating infrastructure investments and public service provision. Global mapping of buildings has been made more efficient with the incorporation of deep learning models into the pipeline. However, these models typically rely on high-resolution satellite imagery which are expensive to collect and infrequently updated. As a result, building coverage data are not updated timely especially in developing regions where the built environment is changing quickly. In this paper, we propose a method for estimating building coverage using only publicly available low-resolution satellite imagery that is more frequently updated. We show that having a multi-node quantile regression layer greatly improves the model's spatial and temporal generalization. Our model achieves a coefficient of determination ($R^2$) as high as 0.968 on predicting building coverage in regions of different levels of development around the world. We demonstrate that the proposed model accurately predicts the building coverage from raw input images and generalizes well to unseen countries and continents, suggesting the possibility of estimating global building coverage using only low-resolution remote sensing data.
• Abstract（参考訳）: 建物のカバレッジ統計は、地域の都市化、インフラ、貧困レベルに関する重要な洞察を提供し、貧困を緩和し、持続可能な都市を構築し、インフラ投資と公共サービスの提供を割り当てる努力を促進する。 ディープラーニングモデルのパイプラインへの導入により、建物のグローバルマッピングがより効率的になった。 しかし、これらのモデルは一般的に高解像度の衛星画像に頼っている。 その結果、ビルド環境が急速に変化している発展途上国では、ビルドカバレッジデータはタイムリーに更新されない。 本稿では,より頻繁に更新される低解像度衛星画像のみを用いて,建築カバレッジを推定する手法を提案する。 マルチノード量子化回帰層を持つことで,モデルの空間的および時間的一般化が大幅に向上することを示す。 本モデルでは, 世界の開発レベルの異なる地域における建築範囲の予測において, 最大0.968の判定係数(R^2$)を達成する。 提案モデルでは,低解像度リモートセンシングデータのみを用いて,建物被覆量を正確に予測し,未確認の国や大陸に最適化し,グローバルな建物被覆量を推定できる可能性が示唆された。

関連論文リスト

• Automated National Urban Map Extraction [0.3495246564946556]
  発展途上国は通常、国家の屋上地図を作成し、定期的に更新する適切な統治手段を欠いている。 従来のフォトグラメトリと測量手法を用いて、このギャップを埋めて、そのような都市地図を自動で取得するパイプラインを提案することができる。 本稿では,多層建物のインスタンスセグメンテーションのための完全畳み込みニューラルネットワークのパワーを活用して,高いオブジェクトワイド精度を実現することを目的とする。 我々は、この作業を再現し、グローバル・サウスの適切な都市計画を欠いた地域で目撃された密集したスラム地帯で、非常に正確な結果を得るためのすべてのエンジニアリング手順を詳述する。
  論文  参考訳（メタデータ） (2024-04-09T10:47:43Z)
• 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)
• Rethinking Sensors Modeling: Hierarchical Information Enhanced Traffic Forecasting [47.1051445072085]
  我々は、センサーの依存性モデリングを2つの階層(地域とグローバル)から再考する。 我々は,センサ間のグローバルな依存性を反映するグローバルノードとして,代表的パターンと共通時間パターンを生成する。 ノード表現の現実性の一般化を追求するため、物理データ空間におけるノードとグローバルノードの伝播にMeta GCNを組み込んだ。
  論文  参考訳（メタデータ） (2023-09-20T13:08:34Z)
• Visual Perception of Building and Household Vulnerability from Streets [0.294944680995069]
  発展途上国では、コードの構築は時代遅れまたは強制されないことが多い。 住宅の大部分が基準以下であり、自然災害や気候関連の出来事に弱い。 本稿では,最初のキャプチャと将来の更新に費用効率のよい評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-28T15:35:47Z)
• Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
  衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。 中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。 我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
  論文  参考訳（メタデータ） (2022-04-14T15:41:39Z)
• Tracking Urbanization in Developing Regions with Remote Sensing Spatial-Temporal Super-Resolution [82.50301442891602]
  本稿では,高分解能画像と高分解能画像の時系列を併用したパイプラインを提案する。 提案手法は, 単一画像超解像を用いたベースラインと比較して, 大幅な改善を実現している。
  論文  参考訳（メタデータ） (2022-04-04T17:21:20Z)
• Predicting Poverty Level from Satellite Imagery using Deep Neural Networks [0.0]
  頭上衛星画像から地域の貧困レベルを予測する深層学習型コンピュータビジョン手法を開発した。 データ量とデータ拡張がネットワークの表現力と全体的な精度に与える影響について検討する。
  論文  参考訳（メタデータ） (2021-11-30T18:57:24Z)
• Object Recognition for Economic Development from Daytime Satellite Imagery [0.1779398251245519]
  本稿では,高解像度衛星画像からインフラ特徴を抽出する新しい手法を提案する。 我々は、アフリカの21か国にまたがる1kmの格子セル500万kmの高解像度衛星画像を収集した。
  論文  参考訳（メタデータ） (2020-09-11T14:07:12Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)
• Generating Interpretable Poverty Maps using Object Detection in Satellite Images [80.35540308137043]
  衛星画像に物体検出装置を適用することにより、局所レベルでの貧困を正確に予測するための解釈可能な計算手法を実証する。 対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。
  論文  参考訳（メタデータ） (2020-02-05T02:50:01Z)

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。