論文の概要: Map Feature Perception Metric for Map Generation Quality Assessment and Loss Optimization
- arxiv url: http://arxiv.org/abs/2503.23370v1
- Date: Sun, 30 Mar 2025 09:07:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-01 19:35:57.090035
- Title: Map Feature Perception Metric for Map Generation Quality Assessment and Loss Optimization
- Title（参考訳）: 地図生成品質評価と損失最適化のための地図特徴知覚指標
- Authors: Chenxing Sun, Jing Bai,
- Abstract要約: 本研究では,合成地図と対象地図のグローバルな特徴と空間的整合性を評価するために考案された新しいマップ特徴量について紹介する。
本手法は、地図構造的整合性とトポロジ的関係を包括的にエンコードする要素レベルの深い特徴を抽出する。
- 参考スコア（独自算出の注目度）: 2.311323886036968
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In intelligent cartographic generation tasks empowered by generative models, the authenticity of synthesized maps constitutes a critical determinant. Concurrently, the selection of appropriate evaluation metrics to quantify map authenticity emerges as a pivotal research challenge. Current methodologies predominantly adopt computer vision-based image assessment metrics to compute discrepancies between generated and reference maps. However, conventional visual similarity metrics-including L1, L2, SSIM, and FID-primarily operate at pixel-level comparisons, inadequately capturing cartographic global features and spatial correlations, consequently inducing semantic-structural artifacts in generated outputs. This study introduces a novel Map Feature Perception Metric designed to evaluate global characteristics and spatial congruence between synthesized and target maps. Diverging from pixel-wise metrics, our approach extracts elemental-level deep features that comprehensively encode cartographic structural integrity and topological relationships. Experimental validation demonstrates MFP's superior capability in evaluating cartographic semantic features, with classification-enhanced implementations outperforming conventional loss functions across diverse generative frameworks. When employed as optimization objectives, our metric achieves performance gains ranging from 2% to 50% across multiple benchmarks compared to traditional L1, L2, and SSIM baselines. This investigation concludes that explicit consideration of cartographic global attributes and spatial coherence substantially enhances generative model optimization, thereby significantly improving the geographical plausibility of synthesized maps.
- Abstract（参考訳）: 生成モデルによって強化されたインテリジェントな地図生成タスクでは、合成された地図の信頼性が重要な決定要因となる。
同時に、地図の信頼性を定量化する適切な評価指標の選択が重要な研究課題として浮上する。
現在の手法では、生成マップと参照マップの差分を計算するために、主にコンピュータビジョンに基づく画像評価メトリクスが採用されている。
しかし、L1、L2、SSIM、FIDを含む従来の視覚的類似度は、画素レベルの比較で主に動作し、地図的グローバルな特徴と空間的相関を不十分に捉え、結果として生成された出力に意味的・構造的アーティファクトを誘導する。
本研究では,合成地図と対象地図のグローバルな特徴と空間的一致を評価するために,新しい地図特徴知覚尺度を提案する。
本手法は画素単位のメトリクスから,地図構造的整合性とトポロジカルな関係を包括的にエンコードする要素レベルの深い特徴を抽出する。
実験的な検証は、MFPが地図意味的特徴を評価する能力に優れており、分類強化された実装は、様々な生成フレームワークにおいて従来の損失関数よりも優れていることを示している。
最適化の目的として使用される場合,従来のL1,L2,SSIMベースラインと比較して,複数のベンチマークで2%から50%のパフォーマンス向上を実現している。
本研究は、地図のグローバル属性と空間コヒーレンスを明確に考慮することにより、生成モデル最適化が大幅に向上し、合成地図の地理的妥当性が大幅に向上することを示した。
関連論文リスト
- EarthMapper: Visual Autoregressive Models for Controllable Bidirectional Satellite-Map Translation [50.433911327489554]
制御可能な衛星マップ翻訳のための新しいフレームワークであるEarthMapperを紹介する。
また,中国38都市を対象とした302,132組の衛星マップからなる大規模データセットであるCNSatMapをコントリビュートした。
CNSatMapとNew Yorkデータセットの実験は、EarthMapperの優れたパフォーマンスを実証している。
論文 参考訳（メタデータ） (2025-04-28T02:41:12Z) - Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。
ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。
トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-05T16:20:14Z) - Two-Stage Hierarchical and Explainable Feature Selection Framework for Dimensionality Reduction in Sleep Staging [0.6216545676226375]
脳波は睡眠研究において重要な役割を果たす。
脳波信号データシーケンスの高次元特性のため、異なる睡眠段階のデータの可視化とクラスタリングが課題となっている。
本稿では,特徴選択アルゴリズムを取り入れた2段階の階層的かつ説明可能な特徴選択フレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-31T23:54:53Z) - A Refreshed Similarity-based Upsampler for Direct High-Ratio Feature Upsampling [54.05517338122698]
一般的な類似性に基づく機能アップサンプリングパイプラインが提案されている。
本稿では,セマンティック・アウェアとディテール・アウェアの両方の観点から,明示的に制御可能なクエリキー機能アライメントを提案する。
我々は,モーザイクアーティファクトを緩和する上ではシンプルだが有効であるHR特徴に対して,きめ細かな近傍選択戦略を開発する。
論文 参考訳（メタデータ） (2024-07-02T14:12:21Z) - Graph Vertex Embeddings: Distance, Regularization and Community Detection [0.0]
グラフ埋め込みは、低次元空間における複雑なネットワーク構造を表現する強力なツールとして登場した。
異なる頂点間の位相的距離を忠実に捉えるフレキシブル距離関数の族を示す。
ベンチマークデータセットのホスト上でコミュニティ検出を行うことにより,提案手法の有効性を評価する。
論文 参考訳（メタデータ） (2024-04-09T09:03:53Z) - Scalable and Efficient Hierarchical Visual Topological Mapping [3.114470292106496]
本研究では,階層的トポロジカルマッピング技術を用いて,最先端の手作り・学習用グローバル記述子の評価を行った。
複数の実行を経験的に分析した結果,連続性と特異性は最適大域的記述子にとって重要な特徴であることがわかった。
論文 参考訳（メタデータ） (2024-04-07T17:30:57Z) - Volumetric Semantically Consistent 3D Panoptic Mapping [77.13446499924977]
非構造環境における自律エージェントに適したセマンティック3Dマップを生成することを目的としたオンライン2次元から3次元のセマンティック・インスタンスマッピングアルゴリズムを提案する。
マッピング中にセマンティック予測の信頼性を統合し、セマンティックおよびインスタンス一貫性のある3D領域を生成する新しい方法を導入する。
提案手法は,パブリックな大規模データセット上での最先端の精度を実現し,多くの広く使用されているメトリクスを改善した。
論文 参考訳（メタデータ） (2023-09-26T08:03:10Z) - Decom--CAM: Tell Me What You See, In Details! Feature-Level Interpretation via Decomposition Class Activation Map [23.71680014689873]
クラスアクティベーションマップ(CAM)は、オブジェクトの位置をハイライトすることで深層モデルの予測を解釈するために広く使われている。
本稿では,分解クラス活性化マップ(Decom-CAM)と呼ばれる2段階の解釈可能性を提案する。
実験の結果,提案したDecom-CAMは最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2023-05-27T14:33:01Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳（メタデータ） (2023-04-04T17:54:32Z) - Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。
この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。
本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
論文 参考訳（メタデータ） (2020-10-12T13:26:30Z) - Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。
実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文 参考訳（メタデータ） (2020-07-30T05:48:48Z)
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。