論文の概要: URoadNet: Dual Sparse Attentive U-Net for Multiscale Road Network Extraction
- arxiv url: http://arxiv.org/abs/2412.17573v1
- Date: Mon, 23 Dec 2024 13:45:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 15:57:53.633600
- Title: URoadNet: Dual Sparse Attentive U-Net for Multiscale Road Network Extraction
- Title（参考訳）: URoadNet:マルチスケール道路網抽出のためのデュアルスパース注意U-Net
- Authors: Jie Song, Yue Sun, Ziyun Cai, Liang Xiao, Yawen Huang, Yefeng Zheng,
- Abstract要約: 我々は、エレガントな道路認識セグメンテーションのための計算効率が高く強力なフレームワークを導入する。
提案手法はURoadNetと呼ばれ,局所的な局所的道路接続と全体的グローバルなトポロジ的意味論を効果的に符号化する。
本手法は,道路網の抽出分野における重要な進歩を示すものである。
- 参考スコア（独自算出の注目度）: 35.39993205110938
- License:
- Abstract: The challenges of road network segmentation demand an algorithm capable of adapting to the sparse and irregular shapes, as well as the diverse context, which often leads traditional encoding-decoding methods and simple Transformer embeddings to failure. We introduce a computationally efficient and powerful framework for elegant road-aware segmentation. Our method, called URoadNet, effectively encodes fine-grained local road connectivity and holistic global topological semantics while decoding multiscale road network information. URoadNet offers a novel alternative to the U-Net architecture by integrating connectivity attention, which can exploit intra-road interactions across multi-level sampling features with reduced computational complexity. This local interaction serves as valuable prior information for learning global interactions between road networks and the background through another integrality attention mechanism. The two forms of sparse attention are arranged alternatively and complementarily, and trained jointly, resulting in performance improvements without significant increases in computational complexity. Extensive experiments on various datasets with different resolutions, including Massachusetts, DeepGlobe, SpaceNet, and Large-Scale remote sensing images, demonstrate that URoadNet outperforms state-of-the-art techniques. Our approach represents a significant advancement in the field of road network extraction, providing a computationally feasible solution that achieves high-quality segmentation results.
- Abstract（参考訳）: 道路ネットワークセグメンテーションの課題は、スパースや不規則な形状に適応できるアルゴリズムと、従来の符号化復号法や単純なトランスフォーマーの埋め込みを失敗に導く様々なコンテキストを必要とする。
我々は、エレガントな道路認識セグメンテーションのための計算効率が高く強力なフレームワークを導入する。
URoadNetと呼ばれる本手法は,マルチスケール道路網情報を復号化しながら,局所的な局所的接続性や全体的グローバルな意味論を効果的に符号化する。
URoadNetは接続注意を統合することでU-Netアーキテクチャに代わる新しい代替手段を提供する。
この局所的な相互作用は、他の積分注意機構を通じて道路網と背景の間のグローバルな相互作用を学ぶための貴重な事前情報となる。
2種類のスパースアテンションは、代替的かつ補完的に配置され、共同で訓練され、計算複雑性を著しく増加させることなく、性能が向上する。
マサチューセッツ、DeepGlobe、SpaceNet、および大規模リモートセンシング画像など、さまざまな解像度のデータセットに対する大規模な実験は、URoadNetが最先端技術を上回ることを実証している。
提案手法は,道路網抽出の分野において重要な進歩を示し,高品質なセグメンテーション結果を実現するための計算可能なソリューションを提供する。
関連論文リスト
- Semantic-Enhanced Representation Learning for Road Networks with Temporal Dynamics [33.940044533340235]
道路網の汎用表現を学習するためのToastという新しいフレームワークと、その先進的なDyToastを紹介する。
具体的には,交通パターンと走行意味論という,道路ネットワークに固有の2つの重要な意味的特徴を符号化することを提案する。
提案するフレームワークは,最先端のベースラインを大きなマージンで一貫して上回っている。
論文 参考訳（メタデータ） (2024-03-18T05:59:56Z) - Translating Images to Road Network: A Sequence-to-Sequence Perspective [32.39335559663393]
道路網は高精細地図の生成に不可欠である。
既存のメソッドは、2つのタイプのデータドメインを効果的にマージするのに苦労しています。
我々は、ユークリッドデータと非ユークリッドデータの両方をRoadNet Sequenceと呼ばれる整数列に投影することで、両方のデータ領域の統一表現を提案する。
論文 参考訳（メタデータ） (2024-02-13T04:12:41Z) - Fine-Grained Extraction of Road Networks via Joint Learning of
Connectivity and Segmentation [5.496893845821393]
衛星画像からの道路網抽出は、インテリジェントな交通管理と自動運転分野に広く応用されている。
高解像度のリモートセンシング画像は複雑な道路エリアと背景を逸脱させており,道路抽出の課題となっている。
接続の正しさを保ちながら、エンドツーエンドのセグメンテーション道路のためのスタック型マルチタスクネットワークを提案する。
論文 参考訳（メタデータ） (2023-12-07T22:57:17Z) - Learning State-Augmented Policies for Information Routing in Communication Networks [84.76186111434818]
我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。
教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。
実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
論文 参考訳（メタデータ） (2023-09-30T04:34:25Z) - Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna
Tuning [60.94661435297309]
モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。
本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。
シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
論文 参考訳（メタデータ） (2023-01-20T17:06:34Z) - Translated Skip Connections -- Expanding the Receptive Fields of Fully
Convolutional Neural Networks [0.5584060970507506]
本稿では,従来のスキップ接続を拡張したニューラルネットワークモジュールを提案する。
変換されたスキップ接続は、パラメータ空間のサイズと計算複雑性の両方に無視できる影響で、アーキテクチャの受容領域を幾何的に増加させる。
論文 参考訳（メタデータ） (2022-11-03T19:30:40Z) - 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) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - Purification and Entanglement Routing on Quantum Networks [55.41644538483948]
不完全なチャネルフィリティと限られたメモリ記憶時間を備えた量子ネットワークは、ユーザ間の絡み合いを分散することができる。
本稿では,量子ネットワーク上の2ノード間で共有される絡み合いを最大化するための高速パスフィニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-23T19:00:01Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z)
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。