Fugu-MT 論文翻訳(概要): Data Fusion for Multi-Task Learning of Building Extraction and Height Estimation

論文の概要: Data Fusion for Multi-Task Learning of Building Extraction and Height Estimation

arxiv url: http://arxiv.org/abs/2308.02960v1
Date: Sat, 5 Aug 2023 22:16:19 GMT
ステータス: 処理完了
システム内更新日: 2023-08-08 17:40:16.510963
Title: Data Fusion for Multi-Task Learning of Building Extraction and Height Estimation
Title（参考訳）: 建物抽出と高さ推定のためのマルチタスク学習のためのデータ融合
Authors: Saad Ahmed Jamal, Arioluwa Aribisala
Abstract要約: 本稿では,光学衛星画像とレーダ衛星画像の両方を用いて,ビルの抽出と高さ推定を行うマルチタスク学習手法を提案する。マルチタスク学習の初期目標とは対照的に,本論文では,制約下での建物抽出と高さ推定の個別実施について報告する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In accordance with the urban reconstruction problem proposed by the DFC23 Track 2 Contest, this paper attempts a multitask-learning method of building extraction and height estimation using both optical and radar satellite imagery. Contrary to the initial goal of multitask learning which could potentially give a superior solution by reusing features and forming implicit constraints between multiple tasks, this paper reports the individual implementation of the building extraction and height estimation under constraints. The baseline results for the building extraction and the height estimation significantly increased after designed experiments.
Abstract（参考訳）: 本稿では,dfc23トラック2コンテストで提案された都市復興問題に基づき,光学衛星画像とレーダー画像の両方を用いた建物抽出と高さ推定のマルチタスク学習手法を提案する。特徴を再利用し,複数のタスク間の暗黙の制約を形成することで,より優れたソリューションを提供することができるマルチタスク学習の初期目標とは対照的に,本論文では,ビルディング抽出と高さ推定の個別実装について報告する。設計実験の結果, 建物抽出と高さ推定の基準値が有意に増加した。

関連論文リスト

DepthSplat: Connecting Gaussian Splatting and Depth [90.06180236292866]
ガウススプラッティングと深さ推定を結合するDepthSplatを提案する。まず,事前学習した単眼深度特徴を生かして,頑健な多眼深度モデルを提案する。また,ガウス的スプラッティングは教師なし事前学習の目的として機能することを示す。
論文参考訳（メタデータ） (2024-10-17T17:59:58Z)
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)
RadOcc: Learning Cross-Modality Occupancy Knowledge through Rendering Assisted Distillation [50.35403070279804]
マルチビュー画像を用いた3次元シーンの占有状況とセマンティクスを推定することを目的とした,新たな課題である3D占有予測手法を提案する。本稿では,RandOccを提案する。Rendering Assisted distillation paradigm for 3D Occupancy prediction。
論文参考訳（メタデータ） (2023-12-19T03:39:56Z)
Multi-task deep learning for large-scale building detail extraction from high-resolution satellite imagery [13.544826927121992]
MT-BR(Multi-task Building Refiner)は、衛星画像から構築の詳細を同時抽出するための適応型ニューラルネットワークである。大規模アプリケーションでは,限定的だが代表的画像サンプルを戦略的に選択する新しい空間サンプリング方式を考案する。 MT-BRは、様々なメトリクスをまたいだ詳細の構築において、他の最先端の手法よりも一貫して優れている。
論文参考訳（メタデータ） (2023-10-29T04:43:30Z)
HGDNet: A Height-Hierarchy Guided Dual-Decoder Network for Single View Building Extraction and Height Estimation [13.09940764764909]
建物の高さを推定するために,高階層型デュアルデコーダネットワーク(HGDNet)を提案する。合成された高さ階層nDSMの指導の下で、補助的な高さ階層的建築物抽出枝は高さ推定枝を強化する。より正確な建物抽出を実現するために、追加の2段階のカスケードアーキテクチャが採用されている。
論文参考訳（メタデータ） (2023-08-10T07:03:32Z)
LIGHT: Joint Individual Building Extraction and Height Estimation from Satellite Images through a Unified Multitask Learning Network [8.09909901104654]
建物抽出と高さ推定はリモートセンシング画像解釈における2つの重要な基本課題である。現存する研究の多くは、この2つの課題を独立した研究とみなしている。本研究では,IndividuaL buIlding extract と HeiGHt Estimation を組み合わせたマルチタスク学習ネットワークを提案する。
論文参考訳（メタデータ） (2023-04-03T15:48:24Z)
Hierarchical Imitation Learning with Vector Quantized Models [77.67190661002691]
我々は,専門家の軌跡におけるサブゴールの同定に強化学習を用いることを提案する。同定されたサブゴールに対するベクトル量子化生成モデルを構築し,サブゴールレベルの計画を行う。実験では、このアルゴリズムは複雑な長い水平決定問題の解法に優れ、最先端のアルゴリズムよりも優れている。
論文参考訳（メタデータ） (2023-01-30T15:04:39Z)
Geometry Uncertainty Projection Network for Monocular 3D Object Detection [138.24798140338095]
本稿では,予測および学習段階の誤り増幅問題に対処するために,幾何不確実性予測ネットワーク(GUP Net)を提案する。具体的には, GUPモジュールを提案し, 推定深さの幾何誘導不確かさを求める。トレーニング段階では,エラー増幅による不安定性を低減するための階層型タスク学習戦略を提案する。
論文参考訳（メタデータ） (2021-07-29T06:59:07Z)
A Multi-Task Deep Learning Framework for Building Footprint Segmentation [0.0]
足跡線構築タスクのための共同最適化方式を提案する。また,画像再構成と建物足跡境界分割という2つの補助タスクも導入する。特に、深層マルチタスク学習(MTL)ベースの統合完全畳み込みフレームワークを提案します。
論文参考訳（メタデータ） (2021-04-19T15:07:27Z)
Neural Architecture Search From Fr\'echet Task Distance [50.9995960884133]
与えられたベースラインタスクのセット内の対象タスクと各タスクの間の距離を、ターゲットタスクのニューラルネットワークアーキテクチャ検索スペースを減らすためにどのように使用できるかを示す。タスク固有のアーキテクチャに対する検索空間の複雑さの低減は、このサイド情報を用いることなく完全な検索を行う代わりに、類似したタスクのために最適化されたアーキテクチャ上に構築することで達成される。
論文参考訳（メタデータ） (2021-03-23T20:43:31Z)
Counting from Sky: A Large-scale Dataset for Remote Sensing Object Counting and A Benchmark Method [52.182698295053264]
リモートセンシング画像から高密度物体をカウントすることに興味がある。自然界における物体のカウントと比較すると、このタスクは、大規模変動、複雑な乱れ背景、配向仲裁といった要因において困難である。これらの課題に対処するために,我々はまず,4つの重要な地理的対象を含むリモートセンシング画像を用いた大規模オブジェクトカウントデータセットを構築した。次に、入力画像の密度マップを生成する新しいニューラルネットワークを設計することで、データセットをベンチマークする。
論文参考訳（メタデータ） (2020-08-28T03:47:49Z)

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。