論文の概要: Building Age Estimation: A New Multi-Modal Benchmark Dataset and Community Challenge

• arxiv url: http://arxiv.org/abs/2502.13818v3
• Date: Fri, 08 Aug 2025 15:08:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 14:17:29.176736
• Title: Building Age Estimation: A New Multi-Modal Benchmark Dataset and Community Challenge
• Title（参考訳）: ビルディング年齢推定: 新しいマルチモーダルベンチマークデータセットとコミュニティチャレンジ
• Authors: Nikolaos Dionelis, Alessandra Feliciotti, Mattia Marconcini, Devis Peressutti, Nika Oman Kadunc, JaeWan Park, Hagai Raja Sinulingga, Steve Andreas Immanuel, Ba Tran, Caroline Arnold, Nicolas Longépé,
• Abstract要約: 建築年数の推定は、持続可能性の向上に不可欠である。 持続可能な都市計画は、エネルギー消費を減らし、気候変動を緩和するために正確な建設年代データに依存している。 本研究では,新しいマルチモーダルベンチマークデータセットであるMapYourCityを紹介する。
• 参考スコア（独自算出の注目度）: 32.69530674031928
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Estimating the construction year of buildings is critical for advancing sustainability, as older structures often lack energy-efficient features. Sustainable urban planning relies on accurate building age data to reduce energy consumption and mitigate climate change. In this work, we introduce MapYourCity, a novel multi-modal benchmark dataset comprising top-view Very High Resolution (VHR) imagery, multi-spectral Earth Observation (EO) data from the Copernicus Sentinel-2 constellation, and co-localized street-view images across various European cities. Each building is labeled with its construction epoch, and the task is formulated as a seven-class classification problem covering periods from 1900 to the present. To advance research in EO generalization and multi-modal learning, we organized a community-driven data challenge in 2024, hosted by ESA $\Phi$-lab, which ran for four months and attracted wide participation. This paper presents the Top-4 performing models from the challenge and their evaluation results. We assess model generalization on cities excluded from training to prevent data leakage, and evaluate performance under missing modality scenarios, particularly when street-view data is unavailable. Results demonstrate that building age estimation is both feasible and effective, even in previously unseen cities and when relying solely on top-view satellite imagery (i.e. with VHR and Sentinel-2 images). The new MapYourCity dataset thus provides a valuable resource for developing scalable, real-world solutions in sustainable urban analytics.
• Abstract（参考訳）: 建物の建設年を推定することは持続可能性を高めるために重要であり、古い建物はエネルギー効率のよい特徴を欠いていることが多い。 持続可能な都市計画は、エネルギー消費を減らし、気候変動を緩和するために正確な建設年代データに依存している。 本研究では,コペルニクス・センチネル2星座の超高分解能(VHR)画像,多スペクトル地球観測(EO)データ,およびヨーロッパ各地の街路ビュー画像からなる新しいマルチモーダル・ベンチマーク・データセットであるMapYourCityを紹介する。 それぞれの建物には建設の時期が刻まれており、1900年から現在までの7階層の分類問題として定式化されている。 EOの一般化とマルチモーダルラーニングの研究を進めるため,ESA$\Phi$-labが主催するコミュニティ主導のデータチャレンジを2024年に実施した。 本稿では,課題から得られたトップ4のパフォーマンスモデルとその評価結果について述べる。 トレーニングから除外された都市におけるモデル一般化を評価し、特にストリートビューデータが利用できない場合に、モダリティの欠如したシナリオ下での性能を評価する。 以上の結果から,従来は見えなかった都市でも,トップビューの衛星画像(VHRとSentinel-2の画像)にのみ依存する場合であっても,建設年代推定は実現可能かつ効果的であることが示唆された。 新しいMapYourCityデータセットは、持続可能な都市分析において、スケーラブルで現実世界のソリューションを開発するための貴重なリソースを提供する。

関連論文リスト

• TUM2TWIN: Introducing the Large-Scale Multimodal Urban Digital Twin Benchmark Dataset [90.97440987655084]
  都市デジタルツインズ(UDT)は、都市管理と多様なソースからの複雑な異種データの統合に欠かせないものとなっている。 これらの課題に対処するために、最初の総合的マルチモーダルなUrban Digital TwinベンチマークデータセットTUM2TWINを紹介する。 このデータセットには、地理的にセマンティックに整合した3Dモデルとネットワーク、およびさまざまな地球、モバイル、航空、衛星観測結果、約10,000ドル以上のデータサブセット、そして現在767GBのデータが含まれている。
  論文  参考訳（メタデータ） (2025-05-12T09:48:32Z)
• VecCity: A Taxonomy-guided Library for Map Entity Representation Learning [48.73446321300362]
  マップエンティティ表現学習(MapRL)は、汎用的で再利用可能なデータ表現を生成する。 本稿では,エンコーダや事前学習タスク,下流タスクなどの機能的モジュールモデルに基づいてモデルを編成するMapRLの新しい分類法を提案する。 本稿では, コード化, 事前学習, 微調整, 評価のための, 使いやすいインタフェースを提供する分類学駆動型ライブラリであるVecCityを提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:03:46Z)
• LiveXiv -- A Multi-Modal Live Benchmark Based on Arxiv Papers Content [62.816876067499415]
  我々は、科学的ArXiv論文に基づくスケーラブルな進化型ライブベンチマークであるLiveXivを提案する。 LiveXivは、任意のタイムスタンプでドメイン固有の原稿にアクセスし、視覚的な問合せペアを自動的に生成することを提案する。 ベンチマークの最初のバージョンで、複数のオープンでプロプライエタリなLMM(Large Multi-modal Models)をベンチマークし、その挑戦的な性質を示し、モデルの真の能力を明らかにする。
  論文  参考訳（メタデータ） (2024-10-14T17:51:23Z)
• Identifying every building's function in large-scale urban areas with multi-modality remote-sensing data [5.18540804614798]
  本研究は,大規模都市部における建物機能同定のための半教師付き枠組みを提案する。 光画像、建築高さ、夜間光データを収集し、建物の形態特性を記述する。 結果は、政府による2万の検証ポイントと統計調査によって評価される。
  論文  参考訳（メタデータ） (2024-05-08T15:32:20Z)
• Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
  我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。 単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。 高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
  論文  参考訳（メタデータ） (2023-09-26T23:55:39Z)
• 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)
• Building3D: An Urban-Scale Dataset and Benchmarks for Learning Roof Structures from Point Clouds [4.38301148531795]
  既存の3Dモデリング用のデータセットは主に家具や車などの一般的なオブジェクトに焦点を当てている。 エストニアの16都市約998Km2をカバーする,160万以上の建物と対応する点雲,メッシュ,ワイヤフレームモデルからなる都市規模データセットを提案する。 実験結果から,ビルディング3Dには高いクラス内分散,データ不均衡,大規模ノイズといった課題があることが示唆された。
  論文  参考訳（メタデータ） (2023-07-21T21:38:57Z)
• 4Seasons: Benchmarking Visual SLAM and Long-Term Localization for Autonomous Driving in Challenging Conditions [54.59279160621111]
  大規模4Seasonsデータセットに基づく課題条件下での自律運転のための新しい視覚的SLAMと長期局所化ベンチマークを提案する。 提案したベンチマークでは,季節変化や天候,照明条件の変動による劇的な外見の変化が報告されている。 本稿では,視覚計測,大域的位置認識,および地図に基づく視覚的位置決め性能を共同評価するための統合ベンチマークを提案する。
  論文  参考訳（メタデータ） (2022-12-31T13:52:36Z)
• Times Series Forecasting for Urban Building Energy Consumption Based on Graph Convolutional Network [20.358180125750046]
  建設業はアメリカにおけるエネルギー消費の40%以上を占めている。 UBEMはエネルギー効率の良いコミュニティの設計を支援する基盤である。 データ駆動型モデル統合工学または物理知識は、都市建設エネルギーシミュレーションを大幅に改善することができる。
  論文  参考訳（メタデータ） (2021-05-27T19:02:04Z)
• The SpaceNet Multi-Temporal Urban Development Challenge [5.191792224645409]
  足跡を構築することは、多くの人道的アプリケーションに有用なプロキシを提供する。 本論文では, 建物のランドスケープ, トラッキング, 変化の検出を精度良く行うための手法の開発について論じる。 競合は、4m解像度でPlanet Labsの衛星画像モザイクの全く新しいオープンソースデータセットを中心にした。 受賞した参加者は、新たに開発されたSpaceNet Change and Object Tracking(SCOT)メトリックで印象的なパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-23T22:01:22Z)
• Building Footprint Generation by IntegratingConvolution Neural Network with Feature PairwiseConditional Random Field (FPCRF) [21.698236040666675]
  建築フットプリントマップは、3Dビルディングモデリング、都市計画、災害管理など、多くのリモートセンシングアプリケーションにとって不可欠である。 本研究では,畳み込みニューラルネットワーク(CNN)とグラフモデルを組み合わせたエンドツーエンドな構築フットプリント生成手法を提案する。
  論文  参考訳（メタデータ） (2020-02-11T18:51:19Z)

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。