論文の概要: Building Floorspace in China: A Dataset and Learning Pipeline
- arxiv url: http://arxiv.org/abs/2303.02230v1
- Date: Fri, 3 Mar 2023 21:45:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 20:50:27.630145
- Title: Building Floorspace in China: A Dataset and Learning Pipeline
- Title（参考訳）: 中国におけるフロアスペース構築 - データセットと学習パイプライン
- Authors: Peter Egger, Susie Xi Rao, Sebastiano Papini
- Abstract要約: 本論文は,中国における建物の床面積を計測する最初のマイルストーンを提供する。
我々は、メインデータソースとしてSentinel-1と-2の衛星画像を使用する。
本稿では, 基準データの事前処理手順と, 建物床面積の測定結果について分析する。
- 参考スコア（独自算出の注目度）: 0.32228025627337864
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper provides the first milestone in measuring the floor space of
buildings (that is, building footprint and height) and its evolution over time
for China. Doing so requires building on imagery that is of a
medium-fine-grained granularity, as longer cross-sections and time series data
across many cities are only available in such format. We use a multi-class
object segmenter approach to gauge the floor space of buildings in the same
framework: first, we determine whether a surface area is covered by buildings
(the square footage of occupied land); second, we need to determine the height
of buildings from their imagery. We then use Sentinel-1 and -2 satellite images
as our main data source. The benefits of these data are their large
cross-sectional and longitudinal scope plus their unrestricted accessibility.
We provide a detailed description of the algorithms used to generate the data
and the results. We analyze the preprocessing steps of reference data (if not
ground truth data) and their consequences for measuring the building floor
space. We also discuss the future steps in building a time series on urban
development based on our preliminary experimental results.
- Abstract（参考訳）: 本稿では,建築の床面積(建築の足跡と高さ)を計測する最初のマイルストーンと,中国におけるその進化過程について述べる。
そのためには、多くの都市にまたがる長い断面データや時系列データがそのようなフォーマットでしか利用できないため、中粒度の粒度のイメージを構築する必要がある。
第1に、表層領域が建物に覆われているかどうか(占有地の正方形映像)を判断し、第2に、建物の高さを画像から判断する必要がある。
次に、メインデータソースとしてSentinel-1と-2の衛星画像を使用します。
これらのデータの利点は、大きな横断的かつ縦方向のスコープと制限のないアクセシビリティである。
データと結果を生成するアルゴリズムの詳細な説明を提供する。
本研究は,参照データの事前処理ステップ(真理ではないにせよ)と,建物床空間の計測結果を分析した。
また,予備実験結果に基づく都市開発に関する時系列構築の今後の展開についても論じる。
関連論文リスト
- Identifying every building's function in large-scale urban areas with multi-modality remote-sensing data [5.18540804614798]
本研究は,大規模都市部における建物機能同定のための半教師付き枠組みを提案する。
光画像、建築高さ、夜間光データを収集し、建物の形態特性を記述する。
結果は、政府による2万の検証ポイントと統計調査によって評価される。
論文 参考訳（メタデータ） (2024-05-08T15:32:20Z) - Estimate the building height at a 10-meter resolution based on Sentinel data [5.080045077714947]
本研究では,空間-スペクトル-時間的特徴データベースのセットを構築した。
これは、Sentinel-1によって提供されるSARデータ、Sentinel-2によって提供される光学データ、および建築フットプリントによって提供される形状データを組み合わせている。
時間尺度上の統計指標を抽出し、160個の特徴からなる豊富なデータベースを形成する。
論文 参考訳（メタデータ） (2024-05-02T03:53:59Z) - Semi-supervised Learning from Street-View Images and OpenStreetMap for
Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。
提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。
予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文 参考訳（メタデータ） (2023-07-05T18:16:30Z) - A CNN regression model to estimate buildings height maps using
Sentinel-1 SAR and Sentinel-2 MSI time series [0.0]
本研究では,Sentinel-1 (S1) とSentinel-2 (S2) の時系列を用いて,ビルの高さを空間分解能10mで推定するための教師付きマルチモーダルビルディングハイトネットワーク (MBHR-Net) を提案する。
我々のMBHR-Netは,S1画像とS2画像から意味のある特徴を抽出し,画像パターンと建築高さの複雑な時間的関係を学習することを目的としている。
モデルはオランダのRoot Mean Squared Error(RMSE)、Intersection over Union(IoU)、R-squared(R2)の10都市でトレーニングされ、テストされる。
論文 参考訳（メタデータ） (2023-07-03T22:16:17Z) - SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point
Clouds [52.624157840253204]
センサットウルバン(SensatUrban)は、イギリスの3都市から収集された7.6km2の30億点近くからなる、都市規模のUAV測光点クラウドデータセットである。
データセットの各ポイントは、粒度の細かいセマンティックアノテーションでラベル付けされ、その結果、既存の最大のフォトグラムポイントクラウドデータセットの3倍の大きさのデータセットが生成される。
論文 参考訳（メタデータ） (2022-01-12T14:48:11Z) - GANmapper: geographical content filling [0.0]
本稿では,GAN(Generative Adversarial Network)を用いた空間データ生成手法を提案する。
当社のコントリビューションでは、粗大で広く利用可能な地理空間データを使用して、構築された環境のより細かいスケールで、あまり利用できない機能のマップを作成しています。
我々は、土地利用データと道路ネットワークを入力として、建物のフットプリントを生成し、世界中の9都市で実験を行う。
論文 参考訳（メタデータ） (2021-08-07T05:50:54Z) - Mapping Vulnerable Populations with AI [23.732584273099054]
構築機能は、例えばツイートや地上画像などのソーシャルメディアデータを解析することで検索される。
これらの付加属性を付加したマップの構築により、より正確な人口密度マップを導出することができる。
論文 参考訳（メタデータ） (2021-07-29T15:52:11Z) - Sketch and Scale: Geo-distributed tSNE and UMAP [75.44887265789056]
地理的に分散したデータセット上で機械学習分析を実行することは、急速に発生する問題である。
私たちはSketch and Scale(SnS)という新しいフレームワークを紹介します。
これはCount Sketchデータ構造を利用して、エッジノード上のデータを圧縮し、マスターノード上の縮小サイズスケッチを集約し、サマリ上でバニラtSNEまたはUMAPを実行する。
我々は、この技術が完全に並列で、線形に時間にスケールし、メモリに対数的に分散し、通信し、世界中の複数のデータセンターにまたがる数百万、数十億のデータポイントでデータセットを解析できることを示す。
論文 参考訳（メタデータ） (2020-11-11T22:32:21Z) - Towards Semantic Segmentation of Urban-Scale 3D Point Clouds: A Dataset,
Benchmarks and Challenges [52.624157840253204]
我々は、30億点近い注釈付きポイントを持つ都市規模の測光点クラウドデータセットを提示する。
私たちのデータセットは、イギリスの3つの都市からなり、都市の景観の約7.6km2をカバーしています。
我々は,データセット上での最先端アルゴリズムの性能を評価し,その結果を包括的に分析する。
論文 参考訳（メタデータ） (2020-09-07T14:47:07Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳（メタデータ） (2020-08-11T19:10:32Z) - Placepedia: Comprehensive Place Understanding with Multi-Faceted
Annotations [79.80036503792985]
Placepediaは、240万のユニークな場所から3500万枚以上の写真を集めた大規模な場所データセットです。
写真に加えて、各場所にはGDP、人口など、膨大な多面的な情報も付属している。
このデータセットは大量のデータと豊富なアノテーションを持ち、様々な研究を行うことができる。
論文 参考訳（メタデータ） (2020-07-07T20:17:01Z)
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。