論文の概要: Segmenting France Across Four Centuries

• arxiv url: http://arxiv.org/abs/2505.24824v1
• Date: Fri, 30 May 2025 17:26:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:53.097064
• Title: Segmenting France Across Four Centuries
• Title（参考訳）: フランスを4つのセンチュリーで分断する
• Authors: Marta López-Rauhut, Hongyu Zhou, Mathieu Aubry, Loic Landrieu,
• Abstract要約: 大規模・長期の土地利用と土地被覆の進化を解析するための歴史地図のデータセットを新たに導入する。 我々は18世紀と19世紀の地図に、包括的近代ラベルと22,878 km2の注釈付き歴史ラベルを提供している。
• 参考スコア（独自算出の注目度）: 31.251646879941486
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Historical maps offer an invaluable perspective into territory evolution across past centuries--long before satellite or remote sensing technologies existed. Deep learning methods have shown promising results in segmenting historical maps, but publicly available datasets typically focus on a single map type or period, require extensive and costly annotations, and are not suited for nationwide, long-term analyses. In this paper, we introduce a new dataset of historical maps tailored for analyzing large-scale, long-term land use and land cover evolution with limited annotations. Spanning metropolitan France (548,305 km^2), our dataset contains three map collections from the 18th, 19th, and 20th centuries. We provide both comprehensive modern labels and 22,878 km^2 of manually annotated historical labels for the 18th and 19th century maps. Our dataset illustrates the complexity of the segmentation task, featuring stylistic inconsistencies, interpretive ambiguities, and significant landscape changes (e.g., marshlands disappearing in favor of forests). We assess the difficulty of these challenges by benchmarking three approaches: a fully-supervised model trained with historical labels, and two weakly-supervised models that rely only on modern annotations. The latter either use the modern labels directly or first perform image-to-image translation to address the stylistic gap between historical and contemporary maps. Finally, we discuss how these methods can support long-term environment monitoring, offering insights into centuries of landscape transformation. Our official project repository is publicly available at https://github.com/Archiel19/FRAx4.git.
• Abstract（参考訳）: 歴史的地図は、衛星やリモートセンシング技術が出現するずっと前から、過去数世紀にわたっての領土の進化に関する貴重な視点を提供する。 ディープラーニング手法は、歴史的地図のセグメント化において有望な結果を示しているが、一般に公開されているデータセットは、単一のマップタイプや期間に焦点を当て、広範囲でコストのかかるアノテーションを必要とし、全国的な長期的な分析には適していない。 本稿では,大規模・長期の土地利用と限定アノテーションによる土地被覆の進化を解析するための,歴史地図の新しいデータセットを提案する。 フランス大都市圏(548,305 km^2)では、18世紀、19世紀、20世紀の地図コレクションが3つ含まれています。 我々は18世紀と19世紀の地図に対して、包括的近代ラベルと22,878 km^2の注釈付き歴史ラベルを提供する。 本データセットは, 地形的不整合, 解釈的曖昧性, 重要な景観変化(森林に有利な湿地が消失するなど)を特徴とするセグメンテーション作業の複雑さを示す。 歴史的ラベルで訓練された完全教師付きモデルと,現代アノテーションのみに依存する弱教師付きモデルという,3つのアプローチをベンチマークすることで,これらの課題の難しさを評価する。 後者は、近代のラベルを直接使用するか、最初にイメージ・ツー・イメージの翻訳を行い、歴史地図と現代地図の間の様式的なギャップに対処する。 最後に、これらの手法が長期環境モニタリングをどのようにサポートし、何世紀にもわたっての景観変化の洞察を提供するかについて議論する。 私たちの公式プロジェクトリポジトリはhttps://github.com/Archiel19/FRAx4.git.comで公開されています。

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)
• MapExplorer: New Content Generation from Low-Dimensional Visualizations [60.02149343347818]
  低次元の可視化や「投影マップ」は大規模で複雑なデータセットの解釈に広く用いられている。 これらの視覚化は、既存の知識空間を理解するのに役立つだけでなく、未知の領域への探索を暗黙的にガイドする。 プロジェクションマップ内の座標をコヒーレントでコンテキストに整合したテキストコンテンツに変換する新しい知識発見タスクであるMapExplorerを紹介する。
  論文  参考訳（メタデータ） (2024-12-24T20:16:13Z)
• 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)
• Where We Are and What We're Looking At: Query Based Worldwide Image Geo-localization Using Hierarchies and Scenes [53.53712888703834]
  地理的レベルの異なる関係を利用して、エンドツーエンドのトランスフォーマーベースのアーキテクチャを導入する。 4つの標準ジオローカライゼーションデータセット上で,アートストリートレベルの精度を実現する。
  論文  参考訳（メタデータ） (2023-03-07T21:47:58Z)
• Long-term Visual Map Sparsification with Heterogeneous GNN [47.12309045366042]
  本稿では,環境変化を克服し,将来のローカライゼーションに有用な点を選択することで,地図サイズを同時に削減することを目的とする。 グラフニューラルネットワーク(GNN)の最近の進歩に触発されて,SfMマップを異種グラフとしてモデル化し,GNNを用いて3次元点重要度を推定する最初の研究を提案する。 2つの新しい監督手法が提案されている: 1) トレーニングクエリに基づく将来のローカライゼーションに有用なポイントを選択するためのデータ適合用語、2) スパースポイントをフルマップで選択するためのK-Cover用語。
  論文  参考訳（メタデータ） (2022-03-29T01:46:12Z)
• Towards the automated large-scale reconstruction of past road networks from historical maps [5.902781409284461]
  我々は,過去の道路網を再構築するために,スキャンおよびジオレファレンス付き歴史地図シリーズを多用するフレームワークを提案する。 米国内の道路ネットワークの5万km以上に相当する30万以上の道路セグメントで,本手法を検証した。
  論文  参考訳（メタデータ） (2022-02-10T07:51:10Z)
• An Automatic Approach for Generating Rich, Linked Geo-Metadata from Historical Map Images [6.962949867017594]
  本稿では,歴史地図画像の検索と索引付けの現実的問題に対処するエンド・ツー・エンドのアプローチを提案する。 我々はmapKuratorと呼ばれるシステムでこのアプローチを実装した。
  論文  参考訳（メタデータ） (2021-12-03T01:44:38Z)
• Towards Semantic Segmentation of Urban-Scale 3D Point Clouds: A Dataset, Benchmarks and Challenges [52.624157840253204]
  我々は、30億点近い注釈付きポイントを持つ都市規模の測光点クラウドデータセットを提示する。 私たちのデータセットは、イギリスの3つの都市からなり、都市の景観の約7.6km2をカバーしています。 我々は,データセット上での最先端アルゴリズムの性能を評価し,その結果を包括的に分析する。
  論文  参考訳（メタデータ） (2020-09-07T14:47:07Z)
• 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)

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。