論文の概要: Multimodal Urban Areas of Interest Generation via Remote Sensing Imagery
and Geographical Prior
- arxiv url: http://arxiv.org/abs/2401.06550v3
- Date: Thu, 8 Feb 2024 06:23:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-09 18:36:37.162595
- Title: Multimodal Urban Areas of Interest Generation via Remote Sensing Imagery
and Geographical Prior
- Title（参考訳）: リモートセンシング画像と地理的事前情報による利害関係のマルチモーダル都市域
- Authors: Chuanji Shi, Yingying Zhang, Jiaotuan Wang, Xin Guo and Qiqi Zhu
- Abstract要約: AOI(Urban Area-of-interest)は、多角形境界が定義された都市機能ゾーンである。
本稿では,正確なAOI境界を同時に検出し,AOIの信頼性を検証するための総合的なエンドツーエンド多モードディープラーニングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 9.85003064364004
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Urban area-of-interest (AOI) refers to an integrated urban functional zone
with defined polygonal boundaries. The rapid development of urban commerce has
led to increasing demands for highly accurate and timely AOI data. However,
existing research primarily focuses on coarse-grained functional zones for
urban planning or regional economic analysis, and often neglects the expiration
of AOI in the real world. They fail to fulfill the precision demands of Mobile
Internet Online-to-Offline (O2O) businesses. These businesses require accuracy
down to a specific community, school, or hospital. In this paper, we propose a
comprehensive end-to-end multimodal deep learning framework designed for
simultaneously detecting accurate AOI boundaries and validating the reliability
of AOI by leveraging remote sensing imagery coupled with geographical prior,
titled AOITR. Unlike conventional AOI generation methods, such as the Road-cut
method that segments road networks at various levels, our approach diverges
from semantic segmentation algorithms that depend on pixel-level
classification. Instead, our AOITR begins by selecting a point-of-interest
(POI) of specific category, and uses it to retrieve corresponding remote
sensing imagery and geographical prior such as entrance POIs and road nodes.
This information helps to build a multimodal detection model based on
transformer encoder-decoder architecture to regress the AOI polygon.
Additionally, we utilize the dynamic features from human mobility, nearby POIs,
and logistics addresses for AOI reliability evaluation via a cascaded network
module. The experimental results reveal that our algorithm achieves a
significant improvement on Intersection over Union (IoU) metric, surpassing
previous methods by a large margin.
- Abstract（参考訳）: AOI(Urban Area-of-interest)は、多角形境界が定義された都市機能ゾーンである。
都市商業の急速な発展により、高度に正確でタイムリーなAOIデータに対する需要が高まっている。
しかし、既存の研究は主に都市計画や地域経済分析のための粗粒度機能ゾーンに重点を置いており、現実世界におけるAOIの有効期限を無視することが多い。
Mobile Internet Online-to-Offline (O2O) ビジネスの正確な要求を満たすことができない。
これらの事業は、特定のコミュニティ、学校、病院まで正確に行う必要がある。
本稿では、AOI境界を同時に検出し、AOIの信頼性を検証するために、AOITRというタイトルの地理的先行画像と組み合わされたリモートセンシング画像を活用することで、総合的なエンドツーエンドのマルチモーダルディープラーニングフレームワークを提案する。
道路網を様々なレベルで分割するロードカット法のような従来のAOI生成法とは異なり,本手法は画素レベルの分類に依存するセマンティックセマンティックセマンティクスアルゴリズムから分岐する。
代わりに、AOITRは、特定のカテゴリのポイント・オブ・関心(POI)を選択し、それを使って、入り口のPOIや道路ノードなど、対応するリモートセンシング画像と地理的先行情報を検索する。
この情報は、変換器エンコーダ-デコーダアーキテクチャに基づくマルチモーダル検出モデルを構築し、AOIポリゴンを回帰するのに役立つ。
さらに,人間の移動性,近隣のPOI,および物流アドレスの動的特徴を利用して,ケースドネットワークモジュールによるAOI信頼性評価を行う。
実験結果から,本アルゴリズムは,従来の手法を大差で超え,結合(iou)メトリックの交叉において有意な改善が得られた。
関連論文リスト
- GOMAA-Geo: GOal Modality Agnostic Active Geo-localization [49.599465495973654]
エージェントが空中ナビゲーション中に観測された一連の視覚的手がかりを用いて、複数の可能なモダリティによって特定されたターゲットを見つけるという、アクティブなジオローカライゼーション(AGL)の課題を考察する。
GOMAA-Geo は、ゴールモダリティ間のゼロショット一般化のためのゴールモダリティアクティブなジオローカライゼーションエージェントである。
論文 参考訳（メタデータ） (2024-06-04T02:59:36Z) - Translating Images to Road Network: A Sequence-to-Sequence Perspective [32.39335559663393]
道路網は高精細地図の生成に不可欠である。
既存のメソッドは、2つのタイプのデータドメインを効果的にマージするのに苦労しています。
我々は、ユークリッドデータと非ユークリッドデータの両方をRoadNet Sequenceと呼ばれる整数列に投影することで、両方のデータ領域の統一表現を提案する。
論文 参考訳（メタデータ） (2024-02-13T04:12:41Z) - Leveraging Topology for Domain Adaptive Road Segmentation in Satellite
and Aerial Imagery [9.23555285827483]
道路分割アルゴリズムは、新しい地理的位置への一般化に失敗する。
道路骨格は、トポロジカルな制約を課す補助的なタスクである。
自己学習のために、接続性に基づく擬似ラベル改善戦略を用いて、ノイズの多い擬似ラベルをフィルタリングする。
論文 参考訳（メタデータ） (2023-09-27T12:50:51Z) - Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for
Cross-City Semantic Segmentation using High-Resolution Domain Adaptation
Networks [82.82866901799565]
我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。
単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。
高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
論文 参考訳（メタデータ） (2023-09-26T23:55:39Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2023-06-15T14:50:27Z) - Semi-supervised Road Updating Network (SRUNet): A Deep Learning Method
for Road Updating from Remote Sensing Imagery and Historical Vector Maps [3.350048575501172]
本研究では,道路更新のための半教師付き学習(SRUNet)に基づく道路検出手法を提案する。
提案したSRUNetは,幅広い道路更新作業に対して,安定かつ最新かつ信頼性の高い予測結果を提供する。
論文 参考訳（メタデータ） (2023-04-28T16:51:35Z) - UDTIRI: An Online Open-Source Intelligent Road Inspection Benchmark
Suite [21.565438268381467]
このベンチマークスイートで公開された最初のオンラインコンペである道路穴検出タスクを紹介します。
我々のベンチマークは、最先端のオブジェクト検出、セマンティックセグメンテーション、インスタンスセグメンテーションネットワークの体系的かつ徹底的な評価を提供する。
多様な道路条件をより包括的に理解したアルゴリズムを提供することで、未解決の可能性を解き明かそうとしている。
論文 参考訳（メタデータ） (2023-04-18T09:13:52Z) - A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳（メタデータ） (2022-11-04T09:58:57Z) - Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust
Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。
CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。
実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文 参考訳（メタデータ） (2021-11-30T04:30:10Z) - Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network [39.65520262751766]
我々は新しい交通予測フレームワーク-時空間グラフ拡散ネットワーク(ST-GDN)を開発した。
特にST-GDNは階層的に構造化されたグラフニューラルネットワークアーキテクチャであり、局所的な地域的な地理的依存関係だけでなく、グローバルな視点から空間的意味論も学習する。
複数の実生活トラフィックデータセットの実験では、ST-GDNは最先端のベースラインの異なるタイプよりも優れていることが示されている。
論文 参考訳（メタデータ） (2021-10-08T11:19:06Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の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） (2021-08-28T09:29:14Z)
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。