論文の概要: MapAI: Precision in Building Segmentation

• arxiv url: http://arxiv.org/abs/2401.04406v1
• Date: Tue, 9 Jan 2024 08:02:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-10 16:18:33.681085
• Title: MapAI: Precision in Building Segmentation
• Title（参考訳）: mapai: 建物のセグメンテーションにおける精度
• Authors: Sander Riis{\o}en Jyhne, Morten Goodwin, Per Arne Andersen, Ivar Oveland, Alexander Salveson Nossum, Karianne Ormseth, Mathilde {\O}rstavik, Andrew C. Flatman
• Abstract要約: 大会は2022年秋に開催される。 これはNorthern Lights Deep Learningカンファレンスで締めくくられる予定だ。 我々はIoUとBundary IoUを用いてモデルの精度を適切に評価する。
• 参考スコア（独自算出の注目度）: 36.85127575869789
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: MapAI: Precision in Building Segmentation is a competition arranged with the Norwegian Artificial Intelligence Research Consortium (NORA) in collaboration with Centre for Artificial Intelligence Research at the University of Agder (CAIR), the Norwegian Mapping Authority, AI:Hub, Norkart, and the Danish Agency for Data Supply and Infrastructure. The competition will be held in the fall of 2022. It will be concluded at the Northern Lights Deep Learning conference focusing on the segmentation of buildings using aerial images and laser data. We propose two different tasks to segment buildings, where the first task can only utilize aerial images, while the second must use laser data (LiDAR) with or without aerial images. Furthermore, we use IoU and Boundary IoU to properly evaluate the precision of the models, with the latter being an IoU measure that evaluates the results' boundaries. We provide the participants with a training dataset and keep a test dataset for evaluation.
• Abstract（参考訳）: MapAI: ビルドセグメンテーションの精度(Precision in Building Segmentation)は、ノルウェーのアグダー大学の人工知能研究センター(CAIR)、ノルウェーのマッピング機関、AI:Hub、Norkart、デンマークのデータサプライ・インフラストラクチャー機関と共同で、ノルウェー人工知能研究コンソーシアム(NORA)とのコンペティションである。 大会は2022年秋に開催される。 航空画像とレーザーデータを用いた建物のセグメンテーションに焦点を当てたnorthern lights deep learning conferenceで締めくくられる予定だ。 建物を分割するための2つの異なるタスクを提案し、第1のタスクは空中画像のみを利用でき、第2のタスクは空中画像の有無に関わらずレーザーデータ(LiDAR)を使用する必要がある。 さらに、IoUとBundary IoUを用いてモデルの精度を適切に評価し、後者は結果の境界を評価するIoU尺度である。 参加者にトレーニングデータセットを提供し,評価のためのテストデータセットを保持する。

関連論文リスト

• Training Datasets Generation for Machine Learning: Application to Vision Based Navigation [0.0]
  視覚ベースのナビゲーションは、画像から情報を抽出した後、GNCの精密センサーとしてカメラを利用する。 宇宙アプリケーションにおける機械学習の採用を可能にするために、利用可能なトレーニングデータセットがアルゴリズムの検証に適していることの実証が障害のひとつだ。 本研究の目的は,機械学習アルゴリズムの学習に適した画像とメタデータのデータセットを作成することである。
  論文  参考訳（メタデータ） (2024-09-17T17:34:24Z)
• AeroVerse: UAV-Agent Benchmark Suite for Simulating, Pre-training, Finetuning, and Evaluating Aerospace Embodied World Models [14.090527594042863]
  航空宇宙インテリジェンス(Aerospace embodied intelligence)は、無人航空機(UAV)による自律的な認識、認識、行動の実現を目的としている。 AerialAgent-Ego10kという大規模な実世界の画像テキスト事前学習データセットを構築。 また,空域埋め込み世界モデルの事前学習を容易にするために,仮想画像テキストアライメントデータセットであるCyberAgent Ego500kを作成している。
  論文  参考訳（メタデータ） (2024-08-28T03:47:45Z)
• Precision in Building Extraction: Comparing Shallow and Deep Models using LiDAR Data [1.1470070927586018]
  浅層モデルと深層学習モデルとの対比 : IoU(Intersection over Union)とBIoU(Bundary Intersection over Union)を用いて LiDARデータの影響は、タスク1における空中画像のみとタスク2における空中画像とLiDARデータの組合せを訓練し、比較することによって検証される。
  論文  参考訳（メタデータ） (2023-09-21T12:43:11Z)
• Building and Road Segmentation Using EffUNet and Transfer Learning Approach [0.0]
  この論文は、衛星とUAVが捉えた空中画像から建物と道路を分割することを目的としている。 セグメンテーションマップ構築のためのUNetデコーダを用いた特徴抽出のためのエンコーダとして,Googleが新たに提案したEfficientNetV2に基づく新しいアーキテクチャを提案する。 このアプローチを使用して、マサチューセッツ・ビルディングとロードのデータセットのベンチマークスコアをそれぞれ0.8365と0.9153で達成しました。
  論文  参考訳（メタデータ） (2023-07-08T14:08:37Z)
• Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
  本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。 我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T08:53:18Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
  航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。 本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。 本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-11-17T21:48:31Z)
• Continental-Scale Building Detection from High Resolution Satellite Imagery [5.56205296867374]
  アーキテクチャ,損失関数,正規化,事前学習,自己学習,後処理のバリエーションについて検討し,インスタンスセグメンテーション性能を向上する。 アフリカ全土の100万枚の衛星画像のデータセットを用いて、手動でラベル付けされた建築事例を含む実験が行われた。 本稿では,このモデルを用いた建物検出の性能向上のための新しい手法について報告する。
  論文  参考訳（メタデータ） (2021-07-26T15:48:14Z)
• Paradigm selection for Data Fusion of SAR and Multispectral Sentinel data applied to Land-Cover Classification [63.072664304695465]
  本稿では、畳み込みニューラルネットワーク(CNN)に基づく4つのデータ融合パラダイムを分析し、実装する。 目標は、最良のデータ融合フレームワークを選択するための体系的な手順を提供することであり、その結果、最高の分類結果が得られる。 この手順は、土地被覆分類のために検証されているが、他のケースに転送することができる。
  論文  参考訳（メタデータ） (2021-06-18T11:36:54Z)
• 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)

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。