論文の概要: Paved or unpaved? A Deep Learning derived Road Surface Global Dataset from Mapillary Street-View Imagery
- arxiv url: http://arxiv.org/abs/2410.19874v2
- Date: Tue, 29 Oct 2024 10:06:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-30 13:42:15.520817
- Title: Paved or unpaved? A Deep Learning derived Road Surface Global Dataset from Mapillary Street-View Imagery
- Title（参考訳）: 舗装か未舗装か?Mapillary Street-View Imagery を用いた深層学習による道路表面グローバルデータセット
- Authors: Sukanya Randhawa, Eren Aygun, Guntaj Randhawa, Benjamin Herfort, Sven Lautenbach, Alexander Zipf,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 39.10390786976492
- License:
- Abstract: We have released an open dataset with global coverage on road surface characteristics (paved or unpaved) derived utilising 105 million images from the world's largest crowdsourcing-based street view platform, Mapillary, leveraging state-of-the-art geospatial AI methods. We propose a hybrid deep learning approach which combines SWIN-Transformer based road surface prediction and CLIP-and-DL segmentation based thresholding for filtering of bad quality images. The road surface prediction results have been matched and integrated with OpenStreetMap (OSM) road geometries. This study provides global data insights derived from maps and statistics about spatial distribution of Mapillary coverage and road pavedness on a continent and countries scale, with rural and urban distinction. This dataset expands the availability of global road surface information by over 3 million kilometers, now representing approximately 36% of the total length of the global road network. Most regions showed moderate to high paved road coverage (60-80%), but significant gaps were noted in specific areas of Africa and Asia. Urban areas tend to have near-complete paved coverage, while rural regions display more variability. Model validation against OSM surface data achieved strong performance, with F1 scores for paved roads between 91-97% across continents. Taking forward the work of Mapillary and their contributors and enrichment of OSM road attributes, our work provides valuable insights for applications in urban planning, disaster routing, logistics optimisation and addresses various Sustainable Development Goals (SDGS): especially SDGs 1 (No poverty), 3 (Good health and well-being), 8 (Decent work and economic growth), 9 (Industry, Innovation and Infrastructure), 11 (Sustainable cities and communities), 12 (Responsible consumption and production), and 13 (Climate action).
- Abstract（参考訳）: 我々は、世界最大のクラウドソーシングベースのストリートビュープラットフォームであるMapillaryから1億5500万の画像を利用して、現在最先端の地理空間AI手法を活用した、路面特性(舗装または未舗装)に関するグローバルなデータセットをリリースした。
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。
道路表面の予測結果は,OpenStreetMap (OSM) の道路測地と一致し,統合されている。
本研究は, 都市部と農村部を区別した, 大陸規模および地域規模で, 毛細管被覆の空間分布と道路舗装性に関する地図と統計から得られた, グローバルなデータインサイトを提供する。
このデータセットは、グローバル道路網の総延長の約36%を占める300万kmを超えるグローバル道路表面情報の可用性を拡大する。
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。
都市部は、ほぼ完全に舗装された面積を持つ傾向にあり、農村部はより多様性を示す。
OSM表面データに対するモデル検証は、大陸横断の舗装道路のF1スコアが91-97%であった。
特にSDGs 1(貧困なし)、3(健康と幸福)、8(労働と経済成長)、9(産業と革新とインフラ)、11(持続可能な都市とコミュニティ)、12(消費と生産)、13(クライムアクション)。
関連論文リスト
- Mapping Africa Settlements: High Resolution Urban and Rural Map by Deep Learning and Satellite Imagery [1.9806397201363817]
本研究では, 深層学習と衛星画像を用いた高分解能都市域マップの構築について述べる。
我々は、Landsat-8とESRI LULCデータセットの衛星画像に基づいて、DeepLabV3アーキテクチャに基づくディープラーニングモデルを開発した。
我々は,2016年から2022年にかけての大陸広域都市農村地図を公表した。
論文 参考訳（メタデータ） (2024-11-05T09:24:59Z) - SurfaceAI: Automated creation of cohesive road surface quality datasets based on open street-level imagery [41.94295877935867]
SurfaceAIは、路面タイプと品質に関する総合的なジオレファレンスデータセットを、公開可能なストリートレベルの画像から生成する。
モチベーションは、道路不均一が交通参加者の安全と快適性に与える影響に起因している。
論文 参考訳（メタデータ） (2024-09-27T17:13:25Z) - From Pixels to Progress: Generating Road Network from Satellite Imagery for Socioeconomic Insights in Impoverished Areas [22.782323200872366]
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。
論文 参考訳（メタデータ） (2024-06-17T07:40:13Z) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - 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) - 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) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳（メタデータ） (2022-01-26T14:58:51Z) - 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) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - 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)
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。