論文の概要: From Pixels to Progress: Generating Road Network from Satellite Imagery for Socioeconomic Insights in Impoverished Areas

• arxiv url: http://arxiv.org/abs/2406.11282v1
• Date: Mon, 17 Jun 2024 07:40:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-18 17:54:42.278337
• Title: From Pixels to Progress: Generating Road Network from Satellite Imagery for Socioeconomic Insights in Impoverished Areas
• Title（参考訳）: 衛星画像から道路ネットワークを創り出す : 貧しい地域での社会経済の展望
• Authors: Yanxin Xi, Yu Liu, Zhicheng Liu, Sasu Tarkoma, Pan Hui, Yong Li,
• Abstract要約: 本稿では,エンコーダ・デコーダアーキテクチャと衛星画像における形態的操作を組み合わせた系統的道路抽出フレームワークを提案する。 F1スコアの42.7%向上を実現している。 また,中国382県の約794,178km2と17.048万人を対象に,包括的道路ネットワークデータセットを提案する。
• 参考スコア（独自算出の注目度）: 22.782323200872366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Sustainable Development Goals (SDGs) aim to resolve societal challenges, such as eradicating poverty and improving the lives of vulnerable populations in impoverished areas. Those areas rely on road infrastructure construction to promote accessibility and economic development. Although publicly available data like OpenStreetMap is available to monitor road status, data completeness in impoverished areas is limited. Meanwhile, the development of deep learning techniques and satellite imagery shows excellent potential for earth monitoring. To tackle the challenge of road network assessment in impoverished areas, we develop a systematic road extraction framework combining an encoder-decoder architecture and morphological operations on satellite imagery, offering an integrated workflow for interdisciplinary researchers. Extensive experiments of road network extraction on real-world data in impoverished regions achieve a 42.7% enhancement in the F1-score over the baseline methods and reconstruct about 80% of the actual roads. We also propose a comprehensive road network dataset covering approximately 794,178 km2 area and 17.048 million people in 382 impoverished counties in China. The generated dataset is further utilized to conduct socioeconomic analysis in impoverished counties, showing that road network construction positively impacts regional economic development. The technical appendix, code, and generated dataset can be found at https://github.com/tsinghua-fib-lab/Road_network_extraction_impoverished_counties.
• Abstract（参考訳）: 持続可能な開発目標(SDG)は、貧困の根絶や貧困地域の脆弱な人口の生活改善といった社会的課題を解決することを目的としている。 これらの地域はアクセシビリティと経済発展を促進するために道路インフラの建設に依存している。 OpenStreetMapのような公開データを使って道路の状態をモニタリングできるが、不十分な地域でのデータ完全性は限られている。 一方、深層学習技術や衛星画像の開発は、地球観測に優れた可能性を示している。 道路ネットワーク評価の課題に対処するために,エンコーダ・デコーダアーキテクチャと衛星画像上の形態的操作を組み合わせた系統的道路抽出フレームワークを開発し,学際的な研究者のための統合ワークフローを提供する。 不十分な地域での道路網抽出の大規模な実験により、F1スコアがベースライン法よりも42.7%向上し、実際の道路の約80%が再建された。 また,中国382県の約794,178km2と17.048万人を対象に,包括的道路ネットワークデータセットを提案する。 生成したデータセットは、貧困郡における社会経済分析にさらに活用され、道路網の構築が地域経済発展に肯定的な影響を及ぼすことを示す。 技術的な付録、コード、生成されたデータセットはhttps://github.com/tsinghua-fib-lab/Road_network_extraction_impoverished_countiesにある。

関連論文リスト

• Paved or unpaved? A Deep Learning derived Road Surface Global Dataset from Mapillary Street-View Imagery [39.10390786976492]
  このデータセットは、グローバルな道路表面情報を300万km以上拡張する。 ほとんどの地域は中程度から高い舗装道路被覆率 (60-80%) を示したが、アフリカやアジアの特定の地域では顕著なギャップが見られた。 本稿では,SWIN-Transformerに基づく道路表面予測とCLIP- and-DLセグメンテーションを併用したハイブリッドディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-10-24T09:32:53Z)
• Holistically-Nested Structure-Aware Graph Neural Network for Road Extraction [6.537257686406911]
  本稿では,道路領域と道路境界の両方を同時に検出する新しいグラフニューラルネットワーク(GNN)を提案する。 挑戦的データセットの実験により,提案手法が道路境界のデライン化と道路抽出精度を向上させることを示す。
  論文  参考訳（メタデータ） (2024-07-02T20:11:09Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)
• Bridging the Urban-Rural Connectivity Gap through Intelligent Space, Air, and Ground Networks [68.8204255655161]
  農村部におけるコネクティビティは、通信ネットワークの主な課題の1つである。 我々は、農村部における最新のコネクティビティの取り組みを強調し、地球外ネットワークのソリューションについて議論し、地球外ネットワークの潜在的なメリットについて検討する。 我々は、農村部におけるコネクティビティの課題について議論し、最新のプロジェクトや研究、AIを用いたネットワークの強化について強調する。
  論文  参考訳（メタデータ） (2022-02-25T13:40:35Z)
• Predicting Poverty Level from Satellite Imagery using Deep Neural Networks [0.0]
  頭上衛星画像から地域の貧困レベルを予測する深層学習型コンピュータビジョン手法を開発した。 データ量とデータ拡張がネットワークの表現力と全体的な精度に与える影響について検討する。
  論文  参考訳（メタデータ） (2021-11-30T18:57:24Z)
• GAEA: Graph Augmentation for Equitable Access via Reinforcement Learning [50.90625274621288]
  異なるサブ人口によるリソースへの別のアクセスは、社会および社会技術ネットワークにおける一般的な問題です。 予算制約下でグラフエッジを編集することにより,ネットワークシステムにおける公平性を高めるため,新たな問題クラスであるグラフ拡張・等価アクセス(GAEA)を導入する。
  論文  参考訳（メタデータ） (2020-12-07T18:29:32Z)
• Utilizing Satellite Imagery Datasets and Machine Learning Data Models to Evaluate Infrastructure Change in Undeveloped Regions [0.0]
  本研究の目的は、鉄道などの大規模インフラプロジェクトを対象とした自動監視により、建設の方向性を定義し予測するための信頼性の高い指標を決定することである。 利用可能な衛星データを用いて3Dメッシュとデジタル表面モデル(DSM)を作成することにより、輸送経路を効果的に予測できることを期待する。
  論文  参考訳（メタデータ） (2020-09-01T02:11:14Z)
• Road Mapping in Low Data Environments with OpenStreetMap [0.3162999570707049]
  道路の地理的分布の包括的かつ最新のマッピングは、広範な経済発展の指標として機能する可能性がある。 本研究は,OpenStreetMapのような高解像度衛星画像とクラウドソーシングリソースの,そのようなマッピング構築における可能性について検討する。
  論文  参考訳（メタデータ） (2020-06-14T19:39:57Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)
• Generating Interpretable Poverty Maps using Object Detection in Satellite Images [80.35540308137043]
  衛星画像に物体検出装置を適用することにより、局所レベルでの貧困を正確に予測するための解釈可能な計算手法を実証する。 対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。
  論文  参考訳（メタデータ） (2020-02-05T02:50:01Z)

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。