論文の概要: How does spatial structure affect psychological restoration? A method
based on Graph Neural Networks and Street View Imagery
- arxiv url: http://arxiv.org/abs/2311.17361v2
- Date: Thu, 30 Nov 2023 02:18:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 12:25:11.457546
- Title: How does spatial structure affect psychological restoration? A method
based on Graph Neural Networks and Street View Imagery
- Title（参考訳）: 空間構造は心理的回復にどのように影響するか
グラフニューラルネットワークとストリートビュー画像に基づく一手法
- Authors: Haoran Ma, Yan Zhang, Pengyuan Liu, Fan Zhang, Pengyu Zhu
- Abstract要約: 都市部における空間構造と復元品質の関係を明らかにするために,空間依存型グラフニューラルネットワーク(GNN)を提案する。
道路のトポロジ的関係を非ユークリッド的なデータ構造としてモデル化した都市レベルのグラフは、復元の質を測定するために用いられた。
- 参考スコア（独自算出の注目度）: 4.989590204932523
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Attention Restoration Theory (ART) presents a theoretical framework with
four essential indicators (being away, extent, fascinating, and compatibility)
for comprehending urban and natural restoration quality. However, previous
studies relied on non-sequential data and non-spatial dependent methods, which
overlooks the impact of spatial structure defined here as the positional
relationships between scene entities on restoration quality. The past methods
also make it challenging to measure restoration quality on an urban scale. In
this work, a spatial-dependent graph neural networks (GNNs) approach is
proposed to reveal the relation between spatial structure and restoration
quality on an urban scale. Specifically, we constructed two different types of
graphs at the street and city levels. The street-level graphs, using sequential
street view images (SVIs) of road segments to capture position relationships
between entities, were used to represent spatial structure. The city-level
graph, modeling the topological relationships of roads as non-Euclidean data
structures and embedding urban features (including Perception-features,
Spatial-features, and Socioeconomic-features), was used to measure restoration
quality. The results demonstrate that: 1) spatial-dependent GNNs model
outperforms traditional methods (Acc = 0.735, F1 = 0.732); 2) spatial structure
portrayed through sequential SVIs data significantly influences restoration
quality; 3) spaces with the same restoration quality exhibited distinct spatial
structures patterns. This study clarifies the association between spatial
structure and restoration quality, providing a new perspective to improve urban
well-being in the future.
- Abstract（参考訳）: 注意修復理論(art)は、都市と自然の修復品質を理解するための4つの重要な指標(距離、範囲、魅力、互換性)を持つ理論的枠組みを示している。
しかし、これまでの研究では、非シーケンスデータと非空間依存の手法に依存しており、ここで定義されている空間構造が、シーンエンティティ間の位置関係が復元品質に与える影響を見越している。
過去の手法は、都市規模での修復品質の測定も困難にしている。
本研究では,空間依存型グラフニューラルネットワーク(gnns)アプローチを提案し,都市規模における空間構造と修復品質の関係を明らかにする。
具体的には,街路と都市レベルで2種類のグラフを構築した。
空間構造を表現するために,道路セグメントの逐次ストリートビュー画像(svis)を用いて実体間の位置関係を捉えたストリートレベルグラフを用いた。
道路のトポロジー関係を非ユークリッドデータ構造としてモデル化した都市レベルグラフ(知覚的特徴、空間的特徴、社会経済的特徴を含む)は、復元品質を測定するために用いられた。
結果はこう示しています
1)空間依存型GNNモデルは従来の手法より優れている(Acc = 0.735, F1 = 0.732)。
2) 連続SVIデータによる空間構造は, 復元品質に大きな影響を及ぼす。
3) 同じ修復品質の空間は, 異なる空間構造パターンを示した。
本研究では,空間構造と修復品質の関連性を明らかにするとともに,今後の都市福祉改善に向けた新たな視点を提供する。
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) - NeurAR: Neural Uncertainty for Autonomous 3D Reconstruction [64.36535692191343]
暗黙の神経表現はオフラインの3D再構成において魅力的な結果を示しており、オンラインSLAMシステムの可能性も最近示している。
本論文は,1)新しい表現に基づく視点計画の質を評価するための基準を求めること,2)手作りではなく,異なる場面に一般化可能なデータから基準を学習すること,の2つの課題に対処する。
本手法は, TSDFを用いた変形モデルやビュープランニングなしでの再構成モデルと比較した場合, レンダリングされた画像品質と再構成された3次元モデルの幾何学的品質について, 様々な指標について有意な改善を示す。
論文 参考訳（メタデータ） (2022-07-22T10:05:36Z) - Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge
Transfer [58.6106391721944]
クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。
本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。
本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
論文 参考訳（メタデータ） (2022-05-27T12:46:52Z) - Effective Urban Region Representation Learning Using Heterogeneous Urban
Graph Attention Network (HUGAT) [0.0]
都市域の表現を学習するためのヘテロジニアスな都市グラフアテンションネットワーク(HUGAT)を提案する。
ニューヨークのデータに関する我々の実験では、HUGATは最先端のすべてのモデルより優れています。
論文 参考訳（メタデータ） (2022-02-18T04:59:20Z) - Neural Embeddings of Urban Big Data Reveal Emergent Structures in Cities [7.148078723492643]
都市部の異質性を利用したニューラルネットワーク(GNN)を提案する。
アメリカ合衆国の16大都市圏において,何百万もの携帯電話利用者による大規模高解像度モビリティデータセットを用いて,都市部コンポーネント間の複雑な関係をエンコードしていることを示す。
異なる郡で訓練されたモデルによって生成された埋め込みは、他の郡における創発的空間構造の50%から60%を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-10-24T07:13:14Z) - Spatio-Temporal Representation Factorization for Video-based Person
Re-Identification [55.01276167336187]
本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。
STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。
実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
論文 参考訳（メタデータ） (2021-07-25T19:29:37Z) - FloorLevel-Net: Recognizing Floor-Level Lines with
Height-Attention-Guided Multi-task Learning [49.30194762653723]
本研究は, 教師付き深層学習手法を用いて, ストリートビュー画像中のフロアレベル線の位置を求める問題に対処する。
まず、新しいデータセットをコンパイルし、トレーニングサンプルを合成する新しいデータ拡張スキームを開発する。
次にFloorLevel-Netを設計する。FloorLevel-Netは、ファサードと暗黙のフロアレベルラインの明示的な特徴を関連付けるマルチタスク学習ネットワークである。
論文 参考訳（メタデータ） (2021-07-06T08:17:59Z) - 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) - Re-designing cities with conditional adversarial networks [0.0]
本稿では,都市景観の街路レベルのイメージを再設計するための条件付き生成対向ネットワークを提案する。
現実のシナリオから都市介入前後のストリートレベルの画像をまとめた新しいデータセットを紹介します。
トレーニングされたモデルは、他のドメインで画像から画像への変換を適用する既存の手法よりも優れた、リモデリング都市において強力なパフォーマンスを示す。
論文 参考訳（メタデータ） (2021-04-08T19:03:34Z)
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。