論文の概要: Scalable Label-efficient Footpath Network Generation Using Remote
Sensing Data and Self-supervised Learning
- arxiv url: http://arxiv.org/abs/2309.09446v1
- Date: Mon, 18 Sep 2023 02:56:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 15:22:33.617777
- Title: Scalable Label-efficient Footpath Network Generation Using Remote
Sensing Data and Self-supervised Learning
- Title（参考訳）: リモートセンシングデータと自己教師型学習を用いたスケーラブルラベル効率の高いフットパスネットワーク生成
- Authors: Xinye Wanyan, Sachith Seneviratne, Kerry Nice, Jason Thompson, Marcus
White, Nano Langenheim, and Mark Stevenson
- Abstract要約: この研究は、機械学習モデルを用いてリモートセンシング画像に基づいて、フットパスネットワークを生成するための自動パイプラインを実装している。
教師付き手法は大量のトレーニングデータを必要とするため,アノテーションの要求を減らすために特徴表現学習に自己教師付き手法を用いる。
フットパス多角形を抽出してフットパスネットワークに変換し、地理的情報システムによって容易にロードおよび可視化することができる。
- 参考スコア（独自算出の注目度）: 7.796025683842462
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Footpath mapping, modeling, and analysis can provide important geospatial
insights to many fields of study, including transport, health, environment and
urban planning. The availability of robust Geographic Information System (GIS)
layers can benefit the management of infrastructure inventories, especially at
local government level with urban planners responsible for the deployment and
maintenance of such infrastructure. However, many cities still lack real-time
information on the location, connectivity, and width of footpaths, and/or
employ costly and manual survey means to gather this information. This work
designs and implements an automatic pipeline for generating footpath networks
based on remote sensing images using machine learning models. The annotation of
segmentation tasks, especially labeling remote sensing images with specialized
requirements, is very expensive, so we aim to introduce a pipeline requiring
less labeled data. Considering supervised methods require large amounts of
training data, we use a self-supervised method for feature representation
learning to reduce annotation requirements. Then the pre-trained model is used
as the encoder of the U-Net for footpath segmentation. Based on the generated
masks, the footpath polygons are extracted and converted to footpath networks
which can be loaded and visualized by geographic information systems
conveniently. Validation results indicate considerable consistency when
compared to manually collected GIS layers. The footpath network generation
pipeline proposed in this work is low-cost and extensible, and it can be
applied where remote sensing images are available. Github:
https://github.com/WennyXY/FootpathSeg.
- Abstract（参考訳）: フットパスマッピング、モデリング、分析は、交通、健康、環境、都市計画など、多くの研究分野に重要な地理空間的洞察を提供することができる。
堅牢な地理情報システム(GIS)のレイヤは、特に都市プランナーがインフラの配備と維持に責任を負う地方自治体レベルで、インフラ在庫の管理に役立てることができる。
しかし、多くの都市は依然として足跡の位置、接続性、幅に関するリアルタイム情報を欠いている。
本研究は,機械学習モデルを用いたリモートセンシング画像に基づくフットパスネットワークの自動生成パイプラインの設計と実装を行う。
セグメンテーションタスクのアノテーション、特に特殊な要求を伴うリモートセンシングイメージのラベル付けは非常に高価であるため、ラベル付きデータの少ないパイプラインの導入を目指している。
教師付き手法は大量のトレーニングデータを必要とするため,アノテーションの要求を減らすために特徴表現学習に自己教師付き手法を用いる。
次に、事前学習されたモデルを、フットパスセグメンテーションのためのU-Netエンコーダとして使用する。
生成したマスクに基づいて、フットパスポリゴンを抽出してフットパスネットワークに変換し、地理的情報システムにより簡便にロードおよび可視化することができる。
検証結果は,手作業で収集したGIS層と比較してかなりの一貫性を示す。
本研究で提案するフットパスネットワーク生成パイプラインは低コストで拡張可能であり,リモートセンシング画像が利用可能であれば適用可能である。
github: https://github.com/wennyxy/footpathseg。
関連論文リスト
- Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。
バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。
ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-02-25T13:22:17Z) - CSP: Self-Supervised Contrastive Spatial Pre-Training for
Geospatial-Visual Representations [90.50864830038202]
ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。
デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。
CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
論文 参考訳（メタデータ） (2023-05-01T23:11:18Z) - An Informative Path Planning Framework for Active Learning in UAV-based
Semantic Mapping [27.460481202195012]
無人航空機(UAV)は、航空地図や一般的な監視作業に頻繁に使用される。
近年のディープラーニングの進歩により、画像の自動セマンティックセグメンテーションが実現され、大規模な複雑な環境の解釈が容易になった。
モデル再学習のための情報的訓練画像を自律的に取得するための,UAVのための新しい汎用的計画フレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-07T09:41:21Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳（メタデータ） (2022-09-28T18:51:59Z) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳（メタデータ） (2022-01-31T20:02:22Z) - Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。
ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。
提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-08-02T07:50:50Z) - Geographical Knowledge-driven Representation Learning for Remote Sensing
Images [18.79154074365997]
リモートセンシング画像のための地理知識駆動表現学習法(GeoKR)を提案する。
各リモートセンシング画像に関連するグローバルな土地被覆製品と地理的位置を地理的知識とみなす。
ネットワーク事前トレーニングをサポートするために,大規模な事前トレーニングデータセットであるLevir-KRを提案する。
論文 参考訳（メタデータ） (2021-07-12T09:23:15Z) - DeepSatData: Building large scale datasets of satellite images for
training machine learning models [77.17638664503215]
本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。
本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
論文 参考訳（メタデータ） (2021-04-28T15:13:12Z) - PAIRS AutoGeo: an Automated Machine Learning Framework for Massive
Geospatial Data [7.742399489996169]
IBM PAIRS Geoscopeビッグデータおよび分析プラットフォームで、PAIRS AutoGeoと呼ばれる地理空間データのための自動機械学習フレームワークが導入された。
このフレームワークは、必要なデータをロケーション座標に収集し、トレーニングデータを組み立て、品質チェックを行い、その後のデプロイメントのために複数の機械学習モデルをトレーニングする。
このユースケースは、PAIRS AutoGeoが広範な地理空間の専門知識なしに機械学習を活用できるようにする方法の例です。
論文 参考訳（メタデータ） (2020-12-12T21:12:41Z) - Learning and Recognizing Archeological Features from LiDAR Data [8.135393502095909]
本稿では,LiDAR(Light Detection and Ranging)データを処理するリモートセンシングパイプラインを提案する。
本研究の目的は,地域空間と考古学的アーティファクトを教師付きで識別し,ドメインの専門家が必要に応じて柔軟にパラメータを調整できるようにすることである。
論文 参考訳（メタデータ） (2020-04-05T05:36:37Z)
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。