論文の概要: Deep Learning for Slum Mapping in Remote Sensing Images: A Meta-analysis and Review
- arxiv url: http://arxiv.org/abs/2406.08031v1
- Date: Wed, 12 Jun 2024 09:31:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-13 17:34:43.183766
- Title: Deep Learning for Slum Mapping in Remote Sensing Images: A Meta-analysis and Review
- Title（参考訳）: リモートセンシング画像におけるスラムマッピングのためのディープラーニング:メタ分析とレビュー
- Authors: Anjali Raj, Adway Mitra, Manjira Sinha,
- Abstract要約: 何百万人もの人々が、世界中の多くの主要都市で生活状態の悪いスラムや非公式の集落に住んでいる。
リモートセンシングによるスラムのマッピングが顕著な研究領域として浮上している。
ディープ・ラーニング(Deep Learning)は、衛星画像の自動解析によってスラムに関連する複雑な空間パターンを識別できるようにするため、この分野に新たな次元を追加した。
- 参考スコア（独自算出の注目度）: 2.1383489372142503
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The major Sustainable Development Goals (SDG) 2030, set by the United Nations Development Program (UNDP), include sustainable cities and communities, no poverty, and reduced inequalities. However, millions of people live in slums or informal settlements with poor living conditions in many major cities around the world, especially in less developed countries. To emancipate these settlements and their inhabitants through government intervention, accurate data about slum location and extent is required. While ground survey data is the most reliable, such surveys are costly and time-consuming. An alternative is remotely sensed data obtained from very high-resolution (VHR) imagery. With the advancement of new technology, remote sensing based mapping of slums has emerged as a prominent research area. The parallel rise of Artificial Intelligence, especially Deep Learning has added a new dimension to this field as it allows automated analysis of satellite imagery to identify complex spatial patterns associated with slums. This article offers a detailed review and meta-analysis of research on slum mapping using remote sensing imagery from 2014 to 2024, with a special focus on deep learning approaches. Our analysis reveals a trend towards increasingly complex neural network architectures, with advancements in data preprocessing and model training techniques significantly enhancing slum identification accuracy. We have attempted to identify key methodologies that are effective across diverse geographic contexts. While acknowledging the transformative impact Convolutional Neural Networks (CNNs) in slum detection, our review underscores the absence of a universally optimal model, suggesting the need for context-specific adaptations. We also identify prevailing challenges in this field, such as data limitations and a lack of model explainability and suggest potential strategies for overcoming these.
- Abstract（参考訳）: 国連開発プログラム(UNDP)が設定する、持続可能な開発目標(SDG)2030には、持続可能な都市やコミュニティ、貧困、不平等の削減が含まれる。
しかし、世界中の多くの主要都市、特に先進国では、何百万人もの人々がスラムや非公式の居住地に住んでいる。
これらの入植地とその住民を政府の介入によって解放するためには、スラムの位置と範囲に関する正確なデータが必要である。
地上調査データは最も信頼性が高いが、こうした調査は費用と時間を要する。
また、超高解像度(VHR)画像から得られるリモートセンシングデータもある。
新しい技術の進歩により、スラムのリモートセンシングに基づくマッピングが顕著な研究領域として浮上した。
人工知能の並列化、特にディープラーニングは、衛星画像の自動解析によってスラムに関連する複雑な空間パターンを特定できるように、この分野に新たな次元を追加した。
本稿では,2014年から2024年までのリモートセンシング画像を用いたスラムマッピング研究の詳細なレビューとメタ分析を行い,特にディープラーニングのアプローチに注目した。
データ前処理やモデルトレーニング技術の進歩により,スラム識別精度が著しく向上した。
多様な地理的文脈にまたがって有効な重要な方法論を同定しようと試みてきた。
スラム検出における畳み込みニューラルネットワーク(CNN)の変換的影響を認めながら、我々のレビューでは、普遍的に最適なモデルが欠如していることを示し、文脈固有の適応の必要性を示唆している。
また、データ制限やモデル説明可能性の欠如など、この分野で広く普及している課題を特定し、これらを克服するための潜在的戦略を提案する。
関連論文リスト
- Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。
モチベーションと背景の概要から始まり、続いて基本概念が導入された。
我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
論文 参考訳（メタデータ） (2024-10-22T01:08:21Z) - Heterogeneous Graph Neural Networks with Post-hoc Explanations for Multi-modal and Explainable Land Use Inference [11.753345219488745]
本稿では、異種グラフニューラルネットワーク(HGN)と説明可能なAI技術を組み合わせた土地利用推定のための説明可能なフレームワークを提案する。
実験により、提案したHGNは6つの土地利用指標すべてに対して、ベースライングラフニューラルネットワークを著しく上回っていることが示された。
これらの分析は,提案したHGNが都市計画や政策立案において,都市利害関係者を適切に支援できることを示した。
論文 参考訳（メタデータ） (2024-06-19T17:39:10Z) - State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。
新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
論文 参考訳（メタデータ） (2024-06-13T12:51:22Z) - Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。
また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
論文 参考訳（メタデータ） (2024-05-13T14:44:22Z) - Granularity at Scale: Estimating Neighborhood Socioeconomic Indicators
from High-Resolution Orthographic Imagery and Hybrid Learning [1.8369448205408005]
オーバーヘッド画像は、コミュニティ情報が不足しているギャップを埋めるのに役立つ。
機械学習とコンピュータビジョンの最近の進歩により、画像データのパターンから素早く特徴を抽出し、検出することが可能になった。
本研究では, 人口密度, 中央値世帯所得, 教育達成率の2つのアプローチ, 教師付き畳み込みニューラルネットワークと半教師付きクラスタリングについて検討する。
論文 参考訳（メタデータ） (2023-09-28T19:30:26Z) - 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) - From Cities to Series: Complex Networks and Deep Learning for Improved
Spatial and Temporal Analytics* [0.0]
この論文は複雑なネットワークと機械学習技術を組み合わせて、パンデミック、垂直移動、およびストリートネットワークで観察される人間の現象の理解を改善する。
i) 集中治療室における流行の伝播, 天気予報, 患者モニタリングの応用により, 空間的および時間的データで観測される動的なプロセスをモデル化できる新しいニューラルネットワークアーキテクチャ, (ii) ブラジルのすべての都市間における人間の移動性の範囲におけるリンクを分析し予測するための機械学習手法を貢献する。
論文 参考訳（メタデータ） (2022-06-01T11:04:11Z) - Using satellite imagery to understand and promote sustainable
development [87.72561825617062]
持続可能な開発成果を理解するために衛星画像を用いた成長する文献を合成する。
我々は、重要な人間関係の結果と、衛星画像の量の増大と解像度について、地上データの質を定量化する。
不足およびノイズの多いトレーニングデータの観点から、モデル構築に対する最近の機械学習アプローチをレビューする。
論文 参考訳（メタデータ） (2020-09-23T05:20:00Z) - A Survey on Deep Learning for Localization and Mapping: Towards the Age
of Spatial Machine Intelligence [48.67755344239951]
包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。
オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。
この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
論文 参考訳（メタデータ） (2020-06-22T19:01:21Z)
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。