論文の概要: Semantic Segmentation for Sequential Historical Maps by Learning from Only One Map

• arxiv url: http://arxiv.org/abs/2501.01845v1
• Date: Fri, 03 Jan 2025 14:55:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-06 15:11:29.569048
• Title: Semantic Segmentation for Sequential Historical Maps by Learning from Only One Map
• Title（参考訳）: 1つの地図から学ぶシークエンシャル・ヒストリカル・マップのセマンティック・セグメンテーション
• Authors: Yunshuang Yuan, Frank Thiemann, Monika Sester,
• Abstract要約: 深層学習に基づくセマンティックセグメンテーションを用いたデジタル化の自動化手法を提案する。 このプロセスにおける重要な課題は、ディープニューラルネットワークのトレーニングに必要な地味なアノテーションの欠如である。 モデル微調整のための弱教師付き年齢追跡戦略を導入する。
• 参考スコア（独自算出の注目度）: 0.4915744683251151
• License:
• Abstract: Historical maps are valuable resources that capture detailed geographical information from the past. However, these maps are typically available in printed formats, which are not conducive to modern computer-based analyses. Digitizing these maps into a machine-readable format enables efficient computational analysis. In this paper, we propose an automated approach to digitization using deep-learning-based semantic segmentation, which assigns a semantic label to each pixel in scanned historical maps. A key challenge in this process is the lack of ground-truth annotations required for training deep neural networks, as manual labeling is time-consuming and labor-intensive. To address this issue, we introduce a weakly-supervised age-tracing strategy for model fine-tuning. This approach exploits the similarity in appearance and land-use patterns between historical maps from neighboring time periods to guide the training process. Specifically, model predictions for one map are utilized as pseudo-labels for training on maps from adjacent time periods. Experiments conducted on our newly curated \textit{Hameln} dataset demonstrate that the proposed age-tracing strategy significantly enhances segmentation performance compared to baseline models. In the best-case scenario, the mean Intersection over Union (mIoU) achieved 77.3\%, reflecting an improvement of approximately 20\% over baseline methods. Additionally, the fine-tuned model achieved an average overall accuracy of 97\%, highlighting the effectiveness of our approach for digitizing historical maps.
• Abstract（参考訳）: 歴史的地図は、過去の詳細な地理情報を収集する貴重な資源である。 しかし、これらの地図は一般的に印刷形式で利用でき、現代のコンピュータベースの分析には適さない。 これらのマップを機械可読形式に拡張することで、効率的な計算分析が可能になる。 本稿では,深層学習に基づくセマンティックセマンティックセグメンテーションを用いたデジタル化の自動化手法を提案する。 このプロセスにおける重要な課題は、手動ラベリングが時間がかかり、労働集約的なため、ディープニューラルネットワークのトレーニングに必要な地平線アノテーションの欠如である。 この問題に対処するために、モデル微調整のための弱教師付き年齢追跡戦略を導入する。 この手法は、近隣の時代の歴史地図の外観と土地利用パターンの類似性を生かし、トレーニングプロセスの指針となる。 具体的には、1つの地図のモデル予測を、隣接する期間の地図をトレーニングするための擬似ラベルとして利用する。 新たにキュレートした‘textit{Hameln} データセットを用いて行った実験により,提案手法はベースラインモデルと比較して,セグメンテーション性能を著しく向上することが示された。 ベストケースのシナリオでは、平均的なユニオンのインターセクション(mIoU)は77.3\%に達し、ベースライン法よりも約20\%改善された。 さらに, 微調整モデルでは, 過去の地図をデジタル化する手法の有効性を強調し, 全体の99%の精度を実現した。

関連論文リスト

• Self-supervised Video Instance Segmentation Can Boost Geographic Entity Alignment in Historical Maps [16.35356981558991]
  ビデオ・インスタンス・セグメンテーション(VIS)を用いた歴史的地図における地理的実体のセグメンテーションとアソシエーションを組み合わせた新しいアプローチを提案する。 この課題を軽減するために,歴史地図上でのVIS性能を向上させる自己教師付き学習(SSL)技術について検討する。
  論文  参考訳（メタデータ） (2024-11-26T13:31:51Z)
• A Paradigm Shift in Mouza Map Vectorization: A Human-Machine Collaboration Approach [2.315458677488431]
  現在の手動のデジタル化手法は時間と労力がかかる。 本研究では,デジタル化プロセスの効率化と,時間と人的資源の節約を目的とした半自動化手法を提案する。
  論文  参考訳（メタデータ） (2024-10-21T12:47:36Z)
• Probabilistic road classification in historical maps using synthetic data and deep learning [3.3755652248305004]
  深層学習と地理情報,コンピュータによる絵画,画像処理手法を融合した新しいフレームワークを提案する。 この枠組みは,道路地形のみを用いた歴史地図からの道路の抽出と分類を可能にする。 道路クラス2では, それぞれ94%以上, 92%以上であった。
  論文  参考訳（メタデータ） (2024-10-03T06:43:09Z)
• Cross-attention Spatio-temporal Context Transformer for Semantic Segmentation of Historical Maps [18.016789471815855]
  歴史的地図は、現代の地球観測技術が生まれる前に、地球表面の有用な時間的情報を提供する。 データ依存不確実性として知られるアレタリック不確実性は、元の地図シートの描画/フェーディング欠陥に固有のものである。 より広い範囲で情報を集約する地図と時間的シーケンスを融合するU-based networkを提案する。
  論文  参考訳（メタデータ） (2023-10-19T09:49:58Z)
• Neural Semantic Surface Maps [52.61017226479506]
  本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。 提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
  論文  参考訳（メタデータ） (2023-09-09T16:21:56Z)
• CorrMatch: Label Propagation via Correlation Matching for Semi-Supervised Semantic Segmentation [73.89509052503222]
  本稿では、CorrMatchと呼ばれる、単純だが実行可能な半教師付きセマンティックセマンティックセマンティックセマンティクス手法を提案する。 相関写像は、同一カテゴリのクラスタリングピクセルを容易に実現できるだけでなく、良好な形状情報も含んでいることを観察する。 我々は,高信頼画素を拡大し,さらに掘り出すために,画素の対の類似性をモデル化して画素伝搬を行う。 そして、相関地図から抽出した正確なクラス非依存マスクを用いて、領域伝搬を行い、擬似ラベルを強化する。
  論文  参考訳（メタデータ） (2023-06-07T10:02:29Z)
• Neural Map Prior for Autonomous Driving [17.198729798817094]
  高精細(HD)セマンティックマップは、自動運転車が都市環境をナビゲートするために不可欠である。 オフラインのHDマップを作成する従来の方法には、労働集約的な手動アノテーションプロセスが含まれる。 近年,オンラインセンサを用いた局所地図作成手法が提案されている。 本研究では,グローバルマップのニューラル表現であるニューラルマッププライオリティ(NMP)を提案する。
  論文  参考訳（メタデータ） (2023-04-17T17:58:40Z)
• SegPrompt: Using Segmentation Map as a Better Prompt to Finetune Deep Models for Kidney Stone Classification [62.403510793388705]
  深層学習は、内視鏡画像を用いた腎臓結石分類のための奨励的な結果を生み出している。 注釈付きトレーニングデータの不足は、トレーニングされたモデルの性能と一般化能力を改善する上で深刻な問題を引き起こす。 本稿では,セグメンテーションマップを2つの側面から活用することにより,データ不足問題を軽減するためにSegPromptを提案する。
  論文  参考訳（メタデータ） (2023-03-15T01:30:48Z)
• PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
  軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
  論文  参考訳（メタデータ） (2022-04-21T23:01:21Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Dataset Cartography: Mapping and Diagnosing Datasets with Training Dynamics [118.75207687144817]
  我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。 私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。 以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-22T20:19:41Z)

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。