論文の概要: BD Open LULC Map: High-resolution land use land cover mapping & benchmarking for urban development in Dhaka, Bangladesh

• arxiv url: http://arxiv.org/abs/2505.21915v1
• Date: Wed, 28 May 2025 03:00:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.384893
• Title: BD Open LULC Map: High-resolution land use land cover mapping & benchmarking for urban development in Dhaka, Bangladesh
• Title（参考訳）: BD Open LULC Map:バングラデシュ・ダッカの都市開発のための高解像度土地利用土地被覆地図とベンチマーク
• Authors: Mir Sazzat Hossain, Ovi Paul, Md Akil Raihan Iftee, Rakibul Hasan Rajib, Abu Bakar Siddik Nayem, Anis Sarker, Arshad Momen, Md. Ashraful Amin, Amin Ahsan Ali, AKM Mahbubur Rahman,
• Abstract要約: BD Open LULC Map (BOLM)を導入し,11クラスのLULCアノテーションを画素単位で提供する。 BOLMは4,392 sq km (891万画素)で、地上の真理は3段階のプロセスで検証される。 We benchmark LULC segmentation using DeepLab V3+ across five major class and comparison on Bing and Sentinel-2A images。
• 参考スコア（独自算出の注目度）: 0.6684911303788182
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Land Use Land Cover (LULC) mapping using deep learning significantly enhances the reliability of LULC classification, aiding in understanding geography, socioeconomic conditions, poverty levels, and urban sprawl. However, the scarcity of annotated satellite data, especially in South/East Asian developing countries, poses a major challenge due to limited funding, diverse infrastructures, and dense populations. In this work, we introduce the BD Open LULC Map (BOLM), providing pixel-wise LULC annotations across eleven classes (e.g., Farmland, Water, Forest, Urban Structure, Rural Built-Up) for Dhaka metropolitan city and its surroundings using high-resolution Bing satellite imagery (2.22 m/pixel). BOLM spans 4,392 sq km (891 million pixels), with ground truth validated through a three-stage process involving GIS experts. We benchmark LULC segmentation using DeepLab V3+ across five major classes and compare performance on Bing and Sentinel-2A imagery. BOLM aims to support reliable deep models and domain adaptation tasks, addressing critical LULC dataset gaps in South/East Asia.
• Abstract（参考訳）: 深層学習を用いた土地利用土地被覆(LULC)マッピングは、LLC分類の信頼性を著しく向上させ、地理、社会経済条件、貧困レベル、都市スプロールの理解を支援する。 しかし、特に南東アジア開発途上国における注釈付き衛星データの不足は、限られた資金、多様なインフラ、人口密度のために大きな課題となっている。 本研究では,高解像度Bing衛星画像(2.22 m/pixel)を用いて,ダッカ大都市圏とその周辺地域を対象に,BDオープンLULCマップ(BOLM)を導入し,11クラスのLULCアノテーション(例えば,農地,水,森林,都市構造,農村ビルディングアップ)を提供する。 BOLMは4,392 sq km (891万画素)に及ぶ。 We benchmark LULC segmentation using DeepLab V3+ across five major class and comparison on Bing and Sentinel-2A images。 BOLMは、南東アジアにおける重要なLULCデータセットギャップに対処するため、信頼できるディープモデルとドメイン適応タスクをサポートすることを目的としている。

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)
• Mapping Africa Settlements: High Resolution Urban and Rural Map by Deep Learning and Satellite Imagery [1.9806397201363817]
  本研究では, 深層学習と衛星画像を用いた高分解能都市域マップの構築について述べる。 我々は、Landsat-8とESRI LULCデータセットの衛星画像に基づいて、DeepLabV3アーキテクチャに基づくディープラーニングモデルを開発した。 我々は,2016年から2022年にかけての大陸広域都市農村地図を公表した。
  論文  参考訳（メタデータ） (2024-11-05T09:24:59Z)
• BD-SAT: High-resolution Land Use Land Cover Dataset & Benchmark Results for Developing Division: Dhaka, BD [1.0049728389234778]
  BD-SATは高解像度のデータセットで、ダッカ大都市圏と周辺農村部と都市部のLULCアノテーションを含んでいる。 厳密で標準化された手順を用いて、地上空間距離が2.22メートル/ピクセルであるBing衛星画像を用いて、地上の真理を作成する。 その結果, 注釈付きBD-SATは, 5つの主要なLULCクラスに対して, 適切な精度で大規模深層学習モデルを訓練するのに十分であることがわかった。
  論文  参考訳（メタデータ） (2024-06-09T20:54:58Z)
• GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
  大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。 我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。 実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
  論文  参考訳（メタデータ） (2023-10-10T00:03:23Z)
• 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)
• UrbanBIS: a Large-scale Benchmark for Fine-grained Urban Building Instance Segmentation [50.52615875873055]
  都市BISは6つの実際の都市のシーンで構成され、25億点があり、面積は10.78平方キロメートルである。 UrbanBISは、建物、車両、植生、道路、橋など、豊富な都市オブジェクトに意味レベルのアノテーションを提供する。 UrbanBISは、きめ細かいサブカテゴリを導入した最初の3Dデータセットである。
  論文  参考訳（メタデータ） (2023-05-04T08:01:38Z)
• Deep residential representations: Using unsupervised learning to unlock elevation data for geo-demographic prediction [0.0]
  LiDAR技術は、都市景観と農村景観の詳細な3次元標高マップを提供するために利用することができる。 現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。 我々は、このデータの適合性は、独自のだけでなく、人口統計学的特徴と組み合わせたデータの源でもあると考え、埋め込みの現実的なユースケースを提供する。
  論文  参考訳（メタデータ） (2021-12-02T17:10:52Z)

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。