論文の概要: Predicting building types and functions at transnational scale
- arxiv url: http://arxiv.org/abs/2409.09692v1
- Date: Sun, 15 Sep 2024 11:02:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-17 19:38:21.007575
- Title: Predicting building types and functions at transnational scale
- Title（参考訳）: 超国家規模における建築のタイプと機能予測
- Authors: Jonas Fill, Michael Eichelbeck, Michael Ebner,
- Abstract要約: 我々は、EU、ノルウェー、スイス、イギリスにまたがるOpenStreetMap(OSM)ビルディングからなる大規模グラフデータセット上にグラフニューラルネットワーク(GNN)分類器をトレーニングする。
グラフトランスフォーマーモデルは、建物を9つのクラスに分類するときにコーエンのカッパ係数 0.754、住宅と非住宅のクラスに分類するときにコーエンのカッパ係数 0.844 を達成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building-specific knowledge such as building type and function information is important for numerous energy applications. However, comprehensive datasets containing this information for individual households are missing in many regions of Europe. For the first time, we investigate whether it is feasible to predict building types and functional classes at a European scale based on only open GIS datasets available across countries. We train a graph neural network (GNN) classifier on a large-scale graph dataset consisting of OpenStreetMap (OSM) buildings across the EU, Norway, Switzerland, and the UK. To efficiently perform training using the large-scale graph, we utilize localized subgraphs. A graph transformer model achieves a high Cohen's kappa coefficient of 0.754 when classifying buildings into 9 classes, and a very high Cohen's kappa coefficient of 0.844 when classifying buildings into the residential and non-residential classes. The experimental results imply three core novel contributions to literature. Firstly, we show that building classification across multiple countries is possible using a multi-source dataset consisting of information about 2D building shape, land use, degree of urbanization, and countries as input, and OSM tags as ground truth. Secondly, our results indicate that GNN models that consider contextual information about building neighborhoods improve predictive performance compared to models that only consider individual buildings and ignore the neighborhood. Thirdly, we show that training with GNNs on localized subgraphs instead of standard GNNs improves performance for the task of building classification.
- Abstract（参考訳）: 建築タイプや機能情報などの建築固有の知識は、多くのエネルギー応用にとって重要である。
しかし、この情報を含む包括的なデータセットはヨーロッパの多くの地域で欠落している。
各国で利用可能なオープンGISデータセットのみに基づいて,ヨーロッパ規模で構築タイプや機能クラスを予測できるかどうかを初めて検討した。
我々は、EU、ノルウェー、スイス、イギリスにまたがるOpenStreetMap(OSM)ビルディングからなる大規模グラフデータセットに基づいて、グラフニューラルネットワーク(GNN)分類器をトレーニングする。
大規模グラフを用いた学習を効率的に行うために,我々は局所化サブグラフを利用する。
グラフトランスフォーマーモデルは、建物を9つのクラスに分類するときにコーエンのカッパ係数 0.754、住宅と非住宅のクラスに分類するときにコーエンのカッパ係数 0.844 を達成する。
実験の結果は、文学への3つの新しい貢献を示唆している。
まず,2次元建築形態,土地利用,都市化の度合い,入力としてOSMタグ,地平としてのOSMタグなどの情報からなるマルチソースデータセットを用いて,複数の国にまたがる分類が可能であることを示す。
第2に,建築地区に関する文脈情報を考慮したGNNモデルは,個々の建物のみを考慮し,地区を無視するモデルに比べて,予測性能が向上することを示す。
第3に,標準GNNの代わりに局所化サブグラフ上でのGNNによるトレーニングにより,分類作業の性能が向上することを示す。
関連論文リスト
- Extracting the U.S. building types from OpenStreetMap data [0.16060719742433224]
この研究は、アメリカ合衆国全体をカバーする住宅・非住宅の分類を提供することで包括的なデータセットを作成する。
そこで我々は,ビルディングフットプリントと利用可能なOpenStreetMap情報に基づいて,ビルディングタイプを分類するための教師なし機械学習手法を提案し,活用する。
この検証は、非住宅の建物分類の高精度化と、住宅用建物の高いリコールを示す。
論文 参考訳（メタデータ） (2024-09-09T15:05:27Z) - Fine-Grained Building Function Recognition from Street-View Images via Geometry-Aware Semi-Supervised Learning [18.432786227782803]
細粒度建物機能認識のための幾何対応半教師付きフレームワークを提案する。
半教師あり学習における擬似ラベルの精度を高めるために,マルチソースデータ間の幾何学的関係を利用する。
提案手法は, 建築物のきめ細かい機能認識において, 優れた性能を示す。
論文 参考訳（メタデータ） (2024-08-18T12:48:48Z) - Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。
FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。
ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2023-12-19T18:00:15Z) - Semi-supervised Learning from Street-View Images and OpenStreetMap for
Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。
提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。
予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文 参考訳（メタデータ） (2023-07-05T18:16:30Z) - A Comprehensive Study on Large-Scale Graph Training: Benchmarking and
Rethinking [124.21408098724551]
グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である
本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。
提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
論文 参考訳（メタデータ） (2022-10-14T03:43:05Z) - BuildingNet: Learning to Label 3D Buildings [19.641000866952815]
BuildingNet: (a)外装が一貫してラベル付けされている大規模な3Dビルディングモデル、(b)幾何学的プリミティブの分析と構造的関係をビルディングにラベル付けするニューラルネットワーク。
データセットは、家、教会、高層ビル、市役所、城などのカテゴリをカバーしている。
論文 参考訳（メタデータ） (2021-10-11T01:45:26Z) - Local Augmentation for Graph Neural Networks [78.48812244668017]
本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。
局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
論文 参考訳（メタデータ） (2021-09-08T18:10:08Z) - Mapping Vulnerable Populations with AI [23.732584273099054]
構築機能は、例えばツイートや地上画像などのソーシャルメディアデータを解析することで検索される。
これらの付加属性を付加したマップの構築により、より正確な人口密度マップを導出することができる。
論文 参考訳（メタデータ） (2021-07-29T15:52:11Z) - Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。
SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
論文 参考訳（メタデータ） (2021-03-05T09:03:03Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳（メタデータ） (2020-07-30T18:23:18Z) - Deep graph learning for semi-supervised classification [11.260083018676548]
グラフ学習(GL)は、グラフ畳み込みネットワーク(GCN)に基づくデータの分布構造(グラフ構造)を動的に捉えることができる
既存の手法は主に計算層と関連する損失をGCNに組み合わせ、グローバルグラフや局所グラフを探索する。
半教師付き分類において,より優れたグラフ表現を求めるためにディープグラフ学習(DGL)を提案する。
論文 参考訳（メタデータ） (2020-05-29T05:59:45Z)
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。