論文の概要: Classification of residential and non-residential buildings based on satellite data using deep learning

• arxiv url: http://arxiv.org/abs/2411.06879v1
• Date: Mon, 11 Nov 2024 11:23:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:08:01.807463
• Title: Classification of residential and non-residential buildings based on satellite data using deep learning
• Title（参考訳）: 深層学習を用いた衛星データに基づく住宅・非住宅の分類
• Authors: Jai G Singla,
• Abstract要約: 本稿では,高分解能衛星データとベクトルデータを組み合わせて,高性能なビルディング分類を実現する新しいディープラーニング手法を提案する。 大規模データセットによる実験結果から,F1スコアの0.9936が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurate classification of buildings into residential and non-residential categories is crucial for urban planning, infrastructure development, population estimation and resource allocation. It is a complex job to carry out automatic classification of residential and nonresidential buildings manually using satellite data. In this paper, we are proposing a novel deep learning approach that combines high-resolution satellite data (50 cm resolution Image + 1m grid interval DEM) and vector data to achieve high-performance building classification. Our architecture leverages LeakyReLU and ReLU activations to capture nonlinearities in the data and employs feature-engineering techniques to eliminate highly correlated features, resulting in improved computational efficiency. Experimental results on a large-scale dataset demonstrate the effectiveness of our model, achieving an impressive overall F1 -score of 0.9936. The proposed approach offers a scalable and accurate solution for building classification, enabling informed decision-making in urban planning and resource allocation. This research contributes to the field of urban analysis by providing a valuable tool for understanding the built environment and optimizing resource utilization.
• Abstract（参考訳）: 都市の都市計画、インフラ開発、人口推定、資源配分には、住宅・非住宅カテゴリーの正確な分類が不可欠である。 衛星データを用いて住宅・非住宅の自動分類を行うのは複雑な作業である。 本稿では,高解像度衛星データ(50cm解像度画像+1mグリッド間隔DEM)とベクトルデータを組み合わせて,高性能なビルディング分類を実現する,新しいディープラーニング手法を提案する。 我々のアーキテクチャは、LeakyReLUとReLUのアクティベーションを利用してデータの非線形性をキャプチャし、高相関性を排除し、計算効率を向上させる。 大規模データセットによる実験結果から,F1スコアの0.9936が得られた。 提案手法は,都市計画や資源配分において情報的意思決定を可能にする,スケーラブルで正確な分類手法を提供する。 本研究は, 建設環境を理解し, 資源利用を最適化する貴重なツールを提供することにより, 都市分析の分野に貢献する。

関連論文リスト

• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• 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)
• UB-FineNet: Urban Building Fine-grained Classification Network for Open-access Satellite Images [7.435848987082052]
  オープンアクセス衛星画像を用いた都市建物のきめ細かい分類のためのディープ・ネットワーク・アプローチを提案する。 クラス不均衡の問題を緩和するために,カテゴリ情報バランスモジュール (CIBM) とコントラストスーパービジョン (CS) 技術を用いた新たなきめ細かい分類網を提案する。 11の細い建物を持つ香港のデータセットの実験では、Top-1の平均精度が60.45%の有望な分類結果が示された。
  論文  参考訳（メタデータ） (2024-03-04T15:40:31Z)
• Multi-task deep learning for large-scale building detail extraction from high-resolution satellite imagery [13.544826927121992]
  MT-BR(Multi-task Building Refiner)は、衛星画像から構築の詳細を同時抽出するための適応型ニューラルネットワークである。 大規模アプリケーションでは,限定的だが代表的画像サンプルを戦略的に選択する新しい空間サンプリング方式を考案する。 MT-BRは、様々なメトリクスをまたいだ詳細の構築において、他の最先端の手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-29T04:43:30Z)
• Unified Data Management and Comprehensive Performance Evaluation for Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
  この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。 都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。 多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
  論文  参考訳（メタデータ） (2023-08-24T16:20:00Z)
• 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)
• 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)
• Buildings Classification using Very High Resolution Satellite Imagery [0.769672852567215]
  住宅・非住宅の建物被害評価(BDA)とビルタイプ分類(BTC)に着目した。 まず,意味的セグメンテーションモデルを用いて建物の足跡を抽出する2段階のディープラーニング手法を提案する。 提案手法をF1スコアの精度と精度を示す2つのアプリケーションで検証する。
  論文  参考訳（メタデータ） (2021-11-29T16:07:04Z)
• Landmark Policy Optimization for Object Navigation Task [77.34726150561087]
  本研究は,未確認環境において,与えられたセマンティックカテゴリに関連する最も近いオブジェクトにナビゲートするオブジェクトゴールナビゲーションタスクについて研究する。 最近の研究は、エンドツーエンドの強化学習アプローチとモジュールシステムの両方において大きな成果を上げていますが、堅牢で最適なものにするには大きな前進が必要です。 本稿では,これらのランドマークを抽出する手法として,標準的なタスクの定式化とランドマークとしての付加的な地域知識を取り入れた階層的手法を提案する。
  論文  参考訳（メタデータ） (2021-09-17T12:28:46Z)
• Off-Policy Reinforcement Learning for Efficient and Effective GAN Architecture Search [50.40004966087121]
  本稿では,GANアーキテクチャ探索のための強化学習に基づくニューラルアーキテクチャ探索手法を提案する。 鍵となる考え方は、よりスムーズなアーキテクチャサンプリングのためのマルコフ決定プロセス(MDP)として、GANアーキテクチャ探索問題を定式化することである。 我々は,従来の政策によって生成されたサンプルを効率的に活用する,非政治的なGANアーキテクチャ探索アルゴリズムを利用する。
  論文  参考訳（メタデータ） (2020-07-17T18:29:17Z)

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。