論文の概要: CrossVIT-augmented Geospatial-Intelligence Visualization System for Tracking Economic Development Dynamics

• arxiv url: http://arxiv.org/abs/2412.10474v1
• Date: Fri, 13 Dec 2024 02:31:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 14:01:00.624120
• Title: CrossVIT-augmented Geospatial-Intelligence Visualization System for Tracking Economic Development Dynamics
• Title（参考訳）: クロスVITによる地理空間情報可視化システムによる経済発展ダイナミクスの追跡
• Authors: Yanbing Bai, Jinhua Su, Bin Qiao, Xiaoran Ma,
• Abstract要約: センスコノミクス(Senseconomic)は、マルチモーダル画像とディープラーニングを通じて経済動態を追跡するスケーラブルなシステムである。 このシステムは郡レベルの経済予測において0.8363のR二乗値を達成し、分散コンピューティングを用いて処理時間を23分に短縮した。
• 参考スコア（独自算出の注目度）: 0.5035527810974499
• License:
• Abstract: Timely and accurate economic data is crucial for effective policymaking. Current challenges in data timeliness and spatial resolution can be addressed with advancements in multimodal sensing and distributed computing. We introduce Senseconomic, a scalable system for tracking economic dynamics via multimodal imagery and deep learning. Built on the Transformer framework, it integrates remote sensing and street view images using cross-attention, with nighttime light data as weak supervision. The system achieved an R-squared value of 0.8363 in county-level economic predictions and halved processing time to 23 minutes using distributed computing. Its user-friendly design includes a Vue3-based front end with Baidu maps for visualization and a Python-based back end automating tasks like image downloads and preprocessing. Senseconomic empowers policymakers and researchers with efficient tools for resource allocation and economic planning.
• Abstract（参考訳）: タイムリーかつ正確な経済データは、効果的な政策立案に不可欠である。 データタイムラインと空間解像度の現在の課題は、マルチモーダルセンシングと分散コンピューティングの進歩に対処できる。 Senseconomicは、マルチモーダル画像とディープラーニングを用いて経済動態を追跡するスケーラブルなシステムである。 Transformerフレームワーク上に構築され、クロスアテンションを使用してリモートセンシングとストリートビューイメージを統合し、夜間光データを弱い監視対象とする。 このシステムは郡レベルの経済予測において0.8363のR二乗値を達成し、分散コンピューティングを用いて処理時間を23分に短縮した。 ユーザフレンドリーなデザインには、可視化のためのBaiduマップを備えたVue3ベースのフロントエンドと、画像ダウンロードや前処理といったタスクを自動化するPythonベースのバックエンドが含まれている。 センスコノミクスは、資源配分と経済計画のための効率的なツールを政策立案者や研究者に与えている。

関連論文リスト

• RoboSense: Large-scale Dataset and Benchmark for Egocentric Robot Perception and Navigation in Crowded and Unstructured Environments [62.5830455357187]
  我々は3種類のセンサー(Camera, LiDAR, Fisheye)をベースとした自我中心型マルチセンサデータ収集プラットフォームを構築した。 大規模なマルチモーダルデータセットであるRoboSenseは、エゴセントリックなロボット知覚を促進するために構築されている。
  論文  参考訳（メタデータ） (2024-08-28T03:17:40Z)
• Knowledge Distillation on Spatial-Temporal Graph Convolutional Network for Traffic Prediction [3.0450307343472405]
  複雑なネットワーク(教師)からの蒸留データを用いて、より少ないパラメータ(学生)でネットワークを訓練するコスト関数を導入する。 我々は,教師ネットワークから空間時間相関を取り入れた知識蒸留を用いて,教師が知覚する複雑なパターンを学習できるようにする。 本手法は,ネットワークパラメータのわずか3%を保持しても,教師の精度に近い精度を維持することができる。
  論文  参考訳（メタデータ） (2024-01-22T09:54:49Z)
• Context-Aware Timewise VAEs for Real-Time Vehicle Trajectory Prediction [4.640835690336652]
  マルチモーダル車軌道予測のためのコンテキスト認識手法であるContextVAEを提案する。 本手法は,現場のエージェントが提示する社会的特徴と,身体環境の制約を考慮に入れたものである。 すべてのテストデータセットにおいて、ContextVAEモデルはトレーニングが高速で、リアルタイムに高品質なマルチモーダル予測を提供する。
  論文  参考訳（メタデータ） (2023-02-21T18:42:24Z)
• LAPTNet-FPN: Multi-scale LiDAR-aided Projective Transform Network for Real Time Semantic Grid Prediction [0.0]
  複数のセンサからの情報を融合することにより、ロバスト性を高め、タスクの計算負荷を低減できる。 当社のマルチスケールLiDAR支援型パースペクティブトランスフォーメーションネットワークは、ポイントクラウドで利用可能な情報を用いて、画像特徴の投影をトップビュー表現に導く。
  論文  参考訳（メタデータ） (2023-02-10T12:34:28Z)
• TransPath: Learning Heuristics For Grid-Based Pathfinding via Transformers [64.88759709443819]
  探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。 私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。 第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
  論文  参考訳（メタデータ） (2022-12-22T14:26:11Z)
• ST-P3: End-to-end Vision-based Autonomous Driving via Spatial-Temporal Feature Learning [132.20119288212376]
  本稿では,認識,予測,計画タスクを同時に行うための,より代表的な特徴の集合に対する時空間的特徴学習手法を提案する。 私たちの知識を最大限に活用するために、私たちは、解釈可能なエンドツーエンドの自動運転システムの各部分を体系的に調査した最初の人です。
  論文  参考訳（メタデータ） (2022-07-15T16:57:43Z)
• Network-wide link travel time and station waiting time estimation using automatic fare collection data: A computational graph approach [14.59638384522569]
  本稿では,URTシステムにおける自動運賃収集(AFC)データを用いて,ネットワーク全体のリンク移動時間と駅待ち時間を推定する上で,不可欠かつ困難な問題に焦点をあてる。 機械学習分野における計算グラフ(CG)モデルのような新しいデータ駆動技術は、この問題を解決するための新しいソリューションを提供する。 私たちの知る限りでは、CGがURTに適用されたのはこれが初めてです。
  論文  参考訳（メタデータ） (2021-08-19T00:18:17Z)
• Estimating the Robustness of Public Transport Systems Using Machine Learning [62.997667081978825]
  公共交通機関の計画は、多くのステップを含む非常に複雑なプロセスである。 乗客の観点からの堅牢性の統合により、作業はさらに困難になる。 本稿では,機械学習の手法を用いたシナリオベースロバストネス近似の新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-10T05:52:56Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• End-to-end Interpretable Neural Motion Planner [78.69295676456085]
  複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。 我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。 北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-01-17T14:16:12Z)
• A Robust Real-Time Computing-based Environment Sensing System for Intelligent Vehicle [5.919822775295222]
  低消費電力のモバイルプラットフォームをベースとしたリアルタイム運転支援システムを構築した。 このシステムは、ステレオマッチングアルゴリズムと機械学習に基づく障害物検出アプローチを組み合わせたリアルタイムマルチスキーマ統合イノベーションシステムである。 実験結果から,インテリジェントな車両に対して,堅牢で正確なリアルタイム環境認識を実現することができることがわかった。
  論文  参考訳（メタデータ） (2020-01-27T10:47:50Z)

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。