論文の概要: Road Network Representation Learning with the Third Law of Geography

• arxiv url: http://arxiv.org/abs/2406.04038v1
• Date: Thu, 6 Jun 2024 13:04:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-07 14:59:54.615922
• Title: Road Network Representation Learning with the Third Law of Geography
• Title（参考訳）: 地理第三法則を用いた道路網表現学習
• Authors: Haicang Zhou, Weiming Huang, Yile Chen, Tiantian He, Gao Cong, Yew-Soon Ong,
• Abstract要約: 道路ネットワーク表現学習は,多くのタスクに適用可能な道路セグメントに対して,圧縮された効率的なベクトル化表現を学習することを目的としている。 本稿では,近年の地理第三法則の原則により,道路ネットワークの表現を実現することを提案する。 3つの下流タスクにまたがる2つの実世界のデータセット上で、我々のフレームワークを評価する。
• 参考スコア（独自算出の注目度）: 35.045489720546904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Road network representation learning aims to learn compressed and effective vectorized representations for road segments that are applicable to numerous tasks. In this paper, we identify the limitations of existing methods, particularly their overemphasis on the distance effect as outlined in the First Law of Geography. In response, we propose to endow road network representation with the principles of the recent Third Law of Geography. To this end, we propose a novel graph contrastive learning framework that employs geographic configuration-aware graph augmentation and spectral negative sampling, ensuring that road segments with similar geographic configurations yield similar representations, and vice versa, aligning with the principles stated in the Third Law. The framework further fuses the Third Law with the First Law through a dual contrastive learning objective to effectively balance the implications of both laws. We evaluate our framework on two real-world datasets across three downstream tasks. The results show that the integration of the Third Law significantly improves the performance of road segment representations in downstream tasks.
• Abstract（参考訳）: 道路ネットワーク表現学習は,多くのタスクに適用可能な道路セグメントに対して,圧縮された効率的なベクトル化表現を学習することを目的としている。 本稿では,既存の手法の限界,特に地理学第一法則に概説された距離効果の過大評価について述べる。 そこで本研究では,道路ネットワークの表現を,最近の第3次地理学法則の原則に則って行うことを提案する。 そこで本研究では,地理的な構成を意識したグラフ増分とスペクトル陰性サンプリングを用いて,類似の地理的構成を持つ道路セグメントが同様の表現を得られることを保証し,その逆も第3法則に規定される原則と整合する新しいグラフコントラスト学習フレームワークを提案する。 この枠組みは、両法の影響を効果的にバランスさせるために、二重の対照的な学習目的を通じて、第三法と第一法とを融合させる。 3つの下流タスクにまたがる2つの実世界のデータセット上で、我々のフレームワークを評価する。 その結果,第3法則の統合により,下流タスクにおける道路セグメント表現の性能が大幅に向上することが示唆された。

関連論文リスト

• Domain Adaptive Graph Classification [0.0]
  本稿では,グラフトポロジを二分枝から探索し,二分枝学習による領域差を緩和するDual Adversarial Graph Representation Learning(DAGRL)を提案する。 提案手法では,適応的な摂動を二重分岐に組み込み,ソースとターゲット分布をドメインの整合性に対応させる。
  論文  参考訳（メタデータ） (2023-12-21T02:37:56Z)
• 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)
• OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
  交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。 OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。 様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
  論文  参考訳（メタデータ） (2023-04-20T16:31:22Z)
• Graph-based Topology Reasoning for Driving Scenes [102.35885039110057]
  TopoNetは、従来の知覚タスクを超えてトラフィック知識を抽象化できる最初のエンドツーエンドフレームワークである。 TopoNetを,難解なシーン理解ベンチマークOpenLane-V2で評価した。
  論文  参考訳（メタデータ） (2023-04-11T15:23:29Z)
• Jointly Contrastive Representation Learning on Road Network and Trajectory [11.613962590641002]
  道路網と軌道表現学習は交通システムにとって不可欠である。 既存の方法では、道路網と軌道を別々に扱うなど、同じスケールでしかコントラストがない。 本稿では,道路網と軌道表現を両立させる統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-14T03:08:20Z)
• Graph Representation Learning for Road Type Classification [13.227651826285014]
  本稿では,最先端のグラフ畳み込みニューラルネットワークを用いた道路網のグラフ表現に対する学習に基づくアプローチを提案する。 われわれのアプローチは、オープンストリートマップから17都市の現実的な道路網に適用されている。
  論文  参考訳（メタデータ） (2021-07-16T09:32:58Z)
• Multi-Scale Contrastive Siamese Networks for Self-Supervised Graph Representation Learning [48.09362183184101]
  マルチスケールのコントラスト学習によるシームズ自己蒸留の強化により,ノード表現を学習するための新しい自己教師型アプローチを提案する。 提案手法は,新しい最先端の成果を達成し,半教師ありの成果を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-12T14:20:13Z)
• GANav: Group-wise Attention Network for Classifying Navigable Regions in Unstructured Outdoor Environments [54.21959527308051]
  本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。 本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。 RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
  論文  参考訳（メタデータ） (2021-03-07T02:16:24Z)
• Each Part Matters: Local Patterns Facilitate Cross-view Geo-localization [54.00111565818903]
  クロスビューなジオローカライゼーションは、異なるプラットフォームから同じ地理的ターゲットの画像を見つけることである。 既存の手法は通常、画像センター内の地理的ターゲットの微細な特徴をマイニングすることに集中している。 我々は、文脈情報を活用するために、ローカルパターンネットワーク(LPN)と呼ばれるシンプルで効果的なディープニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-08-26T16:06:11Z)
• Extracting the fundamental diagram from aerial footage [6.780998887296333]
  効率的な交通監視は,交通ネットワークにおける渋滞対策に不可欠な役割を担っている。 本稿では,ドローンプラットフォームから得られた空中映像から基本図を得るための革新的な手法を考案する。 提案手法は, 車両検出, 車両追跡, 交通状態推定の3段階からなる。
  論文  参考訳（メタデータ） (2020-07-07T06:34:50Z)

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。