論文の概要: Leveraging LLMs and attention-mechanism for automatic annotation of historical maps
- arxiv url: http://arxiv.org/abs/2504.11050v1
- Date: Tue, 15 Apr 2025 10:34:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-16 22:09:50.083106
- Title: Leveraging LLMs and attention-mechanism for automatic annotation of historical maps
- Title（参考訳）: 歴史地図の自動アノテーションのためのLLMの活用と注意機構
- Authors: Yunshuang Yuan, Monika Sester,
- Abstract要約: 機械学習の最近の進歩は、歴史地図における特徴や対象の認識と分類を自動化する新しい道を開いた。
本研究では, 大規模言語モデル (LLM) とアテンション機構を利用して, 歴史地図の自動アノテーションを実現する新しい蒸留法を提案する。
LLMは低解像度の歴史的イメージパッチの粗い分類ラベルを生成するために使用され、アテンション機構はこれらのラベルを高解像度に洗練するために使用される。
- 参考スコア（独自算出の注目度）: 0.552480439325792
- License:
- Abstract: Historical maps are essential resources that provide insights into the geographical landscapes of the past. They serve as valuable tools for researchers across disciplines such as history, geography, and urban studies, facilitating the reconstruction of historical environments and the analysis of spatial transformations over time. However, when constrained to analogue or scanned formats, their interpretation is limited to humans and therefore not scalable. Recent advancements in machine learning, particularly in computer vision and large language models (LLMs), have opened new avenues for automating the recognition and classification of features and objects in historical maps. In this paper, we propose a novel distillation method that leverages LLMs and attention mechanisms for the automatic annotation of historical maps. LLMs are employed to generate coarse classification labels for low-resolution historical image patches, while attention mechanisms are utilized to refine these labels to higher resolutions. Experimental results demonstrate that the refined labels achieve a high recall of more than 90%. Additionally, the intersection over union (IoU) scores--84.2% for Wood and 72.0% for Settlement--along with precision scores of 87.1% and 79.5%, respectively, indicate that most labels are well-aligned with ground-truth annotations. Notably, these results were achieved without the use of fine-grained manual labels during training, underscoring the potential of our approach for efficient and scalable historical map analysis.
- Abstract（参考訳）: 歴史的地図は、過去の地理的景観に関する洞察を提供する重要な資源である。
歴史学、地理学、都市学などの分野にまたがる研究者にとって貴重な道具として機能し、歴史的環境の再構築や時間の経過とともに空間的変化の分析に役立っている。
しかし、アナログやスキャンされたフォーマットに制約された場合、その解釈は人間に限られており、拡張性がない。
機械学習の最近の進歩、特にコンピュータビジョンと大規模言語モデル(LLM)は、歴史地図における特徴や対象の認識と分類を自動化するための新たな道を開いた。
本稿では,歴史地図の自動アノテーションにLLMとアテンション機構を活用する新しい蒸留法を提案する。
LLMは低解像度の歴史的イメージパッチの粗い分類ラベルを生成するために使用され、アテンション機構はこれらのラベルを高解像度に洗練するために使用される。
実験の結果, 精製したラベルは90%以上の高いリコールを達成できた。
さらに、IoUとの交点は、木が84.2%、入植が72.0%、精度が87.1%、79.5%で、ほとんどのラベルが地味なアノテーションと整合していることを示している。
特に、これらの結果は、トレーニング中に微粒な手動ラベルを使わずに達成され、より効率的でスケーラブルな歴史地図解析のためのアプローチの可能性を強調した。
関連論文リスト
- Semantic Segmentation for Sequential Historical Maps by Learning from Only One Map [0.4915744683251151]
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。
論文 参考訳（メタデータ） (2025-01-03T14:55:22Z) - SAModified: A Foundation Model-Based Zero-Shot Approach for Refining Noisy Land-Use Land-Cover Maps [2.374912052693646]
土地利用・土地被覆分析(LULC)はリモートセンシングにおいて重要である。
機械学習を用いたLULCマップの自動生成は、ノイズの多いラベルのため困難である。
基礎モデルSegment Anything Model (SAM) を用いたゼロショットアプローチを提案する。
ラベルノイズの顕著な低減と下流セグメンテーションモデルの性能向上を実現し,デノファイドラベルを用いてトレーニングすると,$approx 5%の値が得られた。
論文 参考訳（メタデータ） (2024-12-17T05:23:00Z) - 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) - Learning crop type mapping from regional label proportions in
large-scale SAR and optical imagery [9.303156731091532]
本研究は,作物ラベルの比率を事前に用いたオンラインディープクラスタリング手法を提案し,サンプルレベル分類器を学習する。
ブラジルの2つの異なる農業地域から得られた2つの大きなデータセットを用いて,本手法の評価を行った。
論文 参考訳（メタデータ） (2022-08-24T15:23:26Z) - Improving Fine-Grained Visual Recognition in Low Data Regimes via
Self-Boosting Attention Mechanism [27.628260249895973]
SAM(Self-boosting attention mechanism)は、ネットワークを正規化して、サンプルやクラス間で共有されるキー領域に集中するための新しい手法である。
我々はSAMを用いて、二線形プール方式で畳み込みマップをプールするために複数の注意マップを作成する変種を開発する。
論文 参考訳（メタデータ） (2022-08-01T05:36:27Z) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳（メタデータ） (2022-01-31T20:02:22Z) - SCARF: Self-Supervised Contrastive Learning using Random Feature
Corruption [72.35532598131176]
本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。
SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
論文 参考訳（メタデータ） (2021-06-29T08:08:33Z) - Towards Good Practices for Efficiently Annotating Large-Scale Image
Classification Datasets [90.61266099147053]
多数の画像の分類ラベルを収集するための効率的なアノテーション戦略を検討する。
人間のラベリング作業を最小化するための修正とベストプラクティスを提案します。
ImageNet100の125kイメージサブセットのシミュレーション実験では、平均で0.35のアノテーションで80%のトップ-1の精度でアノテートできることが示されている。
論文 参考訳（メタデータ） (2021-04-26T16:29:32Z) - OpenStreetMap: Challenges and Opportunities in Machine Learning and
Remote Sensing [66.23463054467653]
本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。
私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
論文 参考訳（メタデータ） (2020-07-13T09:58:14Z) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳（メタデータ） (2020-06-09T12:35:55Z) - Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。
そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。
我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
論文 参考訳（メタデータ） (2020-03-17T12:59:50Z)
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。