論文の概要: Large-scale School Mapping using Weakly Supervised Deep Learning for Universal School Connectivity

• arxiv url: http://arxiv.org/abs/2412.14870v1
• Date: Thu, 19 Dec 2024 14:06:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 13:31:13.181116
• Title: Large-scale School Mapping using Weakly Supervised Deep Learning for Universal School Connectivity
• Title（参考訳）: 弱教師付き深層学習を用いた大規模学校マッピングによる学校接続性向上
• Authors: Isabelle Tingzon, Utku Can Ozturk, Ivan Dotu,
• Abstract要約: 弱教師付き深層学習技術を用いて高解像度衛星画像に学校を配置するコスト効率でスケーラブルな手法を提案する。 ビジョントランスフォーマーと畳み込みニューラルネットワークを組み合わせた私たちの最良のモデルは、10のパイロットアフリカ諸国で0.96以上のAUPRC値を達成しています。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Improving global school connectivity is critical for ensuring inclusive and equitable quality education. To reliably estimate the cost of connecting schools, governments and connectivity providers require complete and accurate school location data - a resource that is often scarce in many low- and middle-income countries. To address this challenge, we propose a cost-effective, scalable approach to locating schools in high-resolution satellite images using weakly supervised deep learning techniques. Our best models, which combine vision transformers and convolutional neural networks, achieve AUPRC values above 0.96 across 10 pilot African countries. Leveraging explainable AI techniques, our approach can approximate the precise geographical coordinates of the school locations using only low-cost, classification-level annotations. To demonstrate the scalability of our method, we generate nationwide maps of school location predictions in African countries and present a detailed analysis of our results, using Senegal as our case study. Finally, we demonstrate the immediate usability of our work by introducing an interactive web mapping tool to streamline human-in-the-loop model validation efforts by government partners. This work successfully showcases the real-world utility of deep learning and satellite images for planning regional infrastructure and accelerating universal school connectivity.
• Abstract（参考訳）: グローバルな学校接続性の向上は、包括的で公平な品質教育を保証するために重要である。 学校、政府、接続プロバイダの接続コストを確実に見積もるためには、完全な正確な学校位置情報が必要です。 この課題に対処するために、弱い教師付き深層学習技術を用いて高解像度衛星画像中の学校を探索するコスト効率でスケーラブルなアプローチを提案する。 ビジョントランスフォーマーと畳み込みニューラルネットワークを組み合わせた私たちの最良のモデルは、10のパイロットアフリカ諸国で0.96以上のAUPRC値を達成しています。 説明可能なAI技術を活用することで、低コストの分類レベルのアノテーションのみを用いて、学校の位置の正確な地理的座標を近似することができる。 本手法のスケーラビリティを実証するため,アフリカ諸国の学校立地予測の全国地図を作成し,セネガルをケーススタディとして,その結果を詳細に分析した。 最後に,政府パートナーによるヒューマン・イン・ザ・ループ・モデル検証作業の合理化を目的とした対話型Webマッピングツールを導入することで,作業の即時利用性を実証した。 この研究は、地域のインフラを計画し、学校とのコネクティビティを加速するために、ディープラーニングと衛星画像の現実世界の有用性を実証することに成功した。

関連論文リスト

• Predicting Internet Connectivity in Schools: A Feasibility Study Leveraging Multi-modal Data and Location Encoders in Low-Resource Settings [1.7111728540102638]
  EOとMLを用いた学校インターネット接続予測に関する研究について述べる。 EOおよび地上データを用いたMLは, 精度, F1スコア, 偽陽性率において, 両国で最高の成績を示した。 我々の研究は、低リソース環境でのデータ駆動型デジタルインフラ開発を支援する実践的なアプローチを示します。
  論文  参考訳（メタデータ） (2024-12-13T20:20:29Z)
• Local vs. Global: Local Land-Use and Land-Cover Models Deliver Higher Quality Maps [3.606726772030176]
  2023年、アフリカの人口の58.0%が深刻な食料不安全を経験し、21.6%が深刻な食料不安全に直面した。 本研究では,多様なデータソースを用いて局所的な土地被覆地図を作成する教師学生モデル構成によるデータ中心型フレームワークを提案する。 我々のフレームワークは、F1スコアで0.14、Intersection-over-Unionで0.21の改善とともに、最高のグローバルモデルよりも高品質なマップを実現した。
  論文  参考訳（メタデータ） (2024-12-01T11:48:58Z)
• Incorporating Geo-Diverse Knowledge into Prompting for Increased Geographical Robustness in Object Recognition [24.701574433327746]
  地理に基づくオブジェクト知識のための大規模言語モデルを提案することの実現可能性について検討する。 我々は,地理的知識の正規化を提案し,ソースセットで訓練されたソフトプロンプトが未知のターゲットセットに一般化されることを保証する。 DollarStreetのベースラインの推進による精度の向上は、アフリカ/アジア/アメリカからのターゲットデータで+2.8/1.2/1.6、最も厳しいクラスでは+4.6である。
  論文  参考訳（メタデータ） (2024-01-03T01:11:16Z)
• FedUKD: Federated UNet Model with Knowledge Distillation for Land Use Classification from Satellite and Street Views [1.7847474813778919]
  衛星画像とストリートビュー画像のセマンティックにフェデレートUNetモデルを用いる。 精度は95%以上で,それぞれ17回以上,62回以上のストリートビューと衛星画像に有意なモデル圧縮を実現した。 提案フレームワークは,地球上の気候変動のリアルタイム追跡において,ゲームチェンジャーとなる可能性を持っている。
  論文  参考訳（メタデータ） (2022-12-05T12:14:00Z)
• Imposing Consistency for Optical Flow Estimation [73.53204596544472]
  プロキシタスクによる一貫性の導入は、データ駆動学習を強化することが示されている。 本稿では,光フロー推定のための新しい,効果的な整合性戦略を提案する。
  論文  参考訳（メタデータ） (2022-04-14T22:58:30Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Distillation with Contrast is All You Need for Self-Supervised Point Cloud Representation Learning [53.90317574898643]
  本稿では,自己教師付きポイントクラウド表現学習のためのシンプルで汎用的なフレームワークを提案する。 人類が世界を理解する方法に触発されて、我々は知識蒸留を利用して、グローバルな形状情報と、グローバルな形状と局所的な構造の関係の両方を学ぶ。 本手法は,線形分類および複数の下流タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-02-09T02:51:59Z)
• 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)
• CosSGD: Nonlinear Quantization for Communication-efficient Federated Learning [62.65937719264881]
  フェデレーション学習は、これらのクライアントのローカルデータを中央サーバに転送することなく、クライアント間での学習を促進する。 圧縮勾配降下のための非線形量子化を提案し、フェデレーションラーニングで容易に利用することができる。 本システムは,訓練過程の収束と精度を維持しつつ,通信コストを最大3桁まで削減する。
  論文  参考訳（メタデータ） (2020-12-15T12:20:28Z)
• Population Mapping in Informal Settlements with High-Resolution Satellite Imagery and Equitable Ground-Truth [1.4414055798999759]
  低所得都市部における密集集落の人口推定のための一般化可能な枠組みを提案する。 我々は,地域コミュニティと連携して収集される等質な地平データを用いている。 本研究では,フレキシブルでカスタマイズ可能な空間分解能を実現するグリッド型人口推定モデルを提案する。
  論文  参考訳（メタデータ） (2020-09-17T16:37:32Z)
• A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence [48.67755344239951]
  包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。 オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。 この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
  論文  参考訳（メタデータ） (2020-06-22T19:01:21Z)

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。