論文の概要: IGraSS: Learning to Identify Infrastructure Networks from Satellite Imagery by Iterative Graph-constrained Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2506.08137v1
- Date: Mon, 09 Jun 2025 18:40:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-11 15:11:40.37412
- Title: IGraSS: Learning to Identify Infrastructure Networks from Satellite Imagery by Iterative Graph-constrained Semantic Segmentation
- Title（参考訳）: IGraSS: 反復グラフ制約セマンティックセグメンテーションによる衛星画像からインフラストラクチャネットワークを識別する学習
- Authors: Oishee Bintey Hoque, Abhijin Adiga, Aniruddha Adiga, Siddharth Chaudhary, Madhav V. Marathe, S. S. Ravi, Kirti Rajagopalan, Amanda Wilson, Samarth Swarup,
- Abstract要約: 多くのインフラネットワークは、ソースへの到達性(運河など)や接続性(道路など)などのグラフレベルの特性を持ち、これらの既存の真実を改善するために利用することができる。
本稿では,RGBを含むセマンティックセグメンテーションモジュールと追加モダリティ(NDWI, DEM)をグラフベースの地上構造改善モジュールと組み合わせた,新しい反復的フレームワークIGraSSを開発する。
実験の結果、IGraSSは到達不能な管の分節を約18%から3%に減らし、改良された地中真実による訓練は管の識別を著しく改善することがわかった。
- 参考スコア（独自算出の注目度）: 16.437751125516552
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate canal network mapping is essential for water management, including irrigation planning and infrastructure maintenance. State-of-the-art semantic segmentation models for infrastructure mapping, such as roads, rely on large, well-annotated remote sensing datasets. However, incomplete or inadequate ground truth can hinder these learning approaches. Many infrastructure networks have graph-level properties such as reachability to a source (like canals) or connectivity (roads) that can be leveraged to improve these existing ground truth. This paper develops a novel iterative framework IGraSS, combining a semantic segmentation module-incorporating RGB and additional modalities (NDWI, DEM)-with a graph-based ground-truth refinement module. The segmentation module processes satellite imagery patches, while the refinement module operates on the entire data viewing the infrastructure network as a graph. Experiments show that IGraSS reduces unreachable canal segments from around 18% to 3%, and training with refined ground truth significantly improves canal identification. IGraSS serves as a robust framework for both refining noisy ground truth and mapping canal networks from remote sensing imagery. We also demonstrate the effectiveness and generalizability of IGraSS using road networks as an example, applying a different graph-theoretic constraint to complete road networks.
- Abstract（参考訳）: 正確な運河網マッピングは、灌水計画やインフラ整備など、水管理に不可欠である。
道路などのインフラストラクチャマッピングのための最先端セマンティックセマンティックセマンティクスモデルでは、大規模な、よく注釈付けされたリモートセンシングデータセットに依存している。
しかし、不完全あるいは不適切な基底真理は、これらの学習アプローチを妨げる可能性がある。
多くのインフラネットワークは、ソースへの到達性(運河など)や接続性(道路など)などのグラフレベルの特性を持ち、これらの既存の真実を改善するために利用することができる。
本稿では,RGBを含むセマンティックセグメンテーションモジュールと追加モダリティ(NDWI, DEM)をグラフベースの地上構造改善モジュールと組み合わせた,新しい反復的フレームワークIGraSSを開発する。
セグメンテーションモジュールは衛星画像パッチを処理し、リファインメントモジュールはインフラストラクチャネットワークをグラフとして見るデータ全体で動作する。
実験の結果、IGraSSは到達不能な管の分節を約18%から3%に減らし、改良された地中真実による訓練は管の識別を著しく改善することがわかった。
IGraSSはノイズの多い地上の真実を精査するための堅牢なフレームワークとして機能し、リモートセンシング画像から運河網をマッピングする。
また、道路網を用いたIGraSSの有効性と一般化性を示し、道路網の完全化に異なるグラフ理論の制約を適用した。
関連論文リスト
- (PASS) Visual Prompt Locates Good Structure Sparsity through a Recurrent HyperNetwork [60.889175951038496]
大規模ニューラルネットワークは、視覚や言語処理など、さまざまな領域で顕著なパフォーマンスを示している。
構造的刈り込みの鍵となる問題のひとつは、チャネルの意義を見積もる方法である。
我々は,新しいアルゴリズムフレームワーク,すなわち textttPASS を提案する。
視覚的プロンプトとネットワーク重み統計の両方を入力とし、繰り返し的に層ワイドチャネル間隔を出力するように調整されたハイパーネットワークである。
論文 参考訳（メタデータ） (2024-07-24T16:47:45Z) - Fine-Grained Extraction of Road Networks via Joint Learning of
Connectivity and Segmentation [5.496893845821393]
衛星画像からの道路網抽出は、インテリジェントな交通管理と自動運転分野に広く応用されている。
高解像度のリモートセンシング画像は複雑な道路エリアと背景を逸脱させており,道路抽出の課題となっている。
接続の正しさを保ちながら、エンドツーエンドのセグメンテーション道路のためのスタック型マルチタスクネットワークを提案する。
論文 参考訳（メタデータ） (2023-12-07T22:57:17Z) - Residual Graph Convolutional Network for Bird's-Eye-View Semantic
Segmentation [3.8073142980733]
本稿では,Residual Graph Convolutional (RGC) モジュールを深層CNNに組み込むことを提案する。
RGCモジュールは、完全なBird's-Eye-View (BEV)情報をグラフ空間に効率的に投影する。
RGCネットワークは、IoUとmIoUの4つの最先端ネットワークと4つの変種を上回ります。
論文 参考訳（メタデータ） (2023-12-07T05:04:41Z) - T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - Semi-supervised Road Updating Network (SRUNet): A Deep Learning Method
for Road Updating from Remote Sensing Imagery and Historical Vector Maps [3.350048575501172]
本研究では,道路更新のための半教師付き学習(SRUNet)に基づく道路検出手法を提案する。
提案したSRUNetは,幅広い道路更新作業に対して,安定かつ最新かつ信頼性の高い予測結果を提供する。
論文 参考訳（メタデータ） (2023-04-28T16:51:35Z) - Learning to integrate vision data into road network data [14.86655504533083]
道路ネットワークは、コネクテッドおよび自律走行車の中核となるインフラである。
本稿では、グラフニューラルネットワークによる埋め込みを改善するために、リモートセンシングビジョンデータをネットワークデータに統合することを提案する。
中国・成都市におけるOSM+Di Chuxingデータセットの最先端性能を実現した。
論文 参考訳（メタデータ） (2021-12-20T15:38:49Z) - Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust
Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。
CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。
実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文 参考訳（メタデータ） (2021-11-30T04:30:10Z) - Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。
空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。
提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
論文 参考訳（メタデータ） (2020-11-06T12:17:01Z) - DiResNet: Direction-aware Residual Network for Road Extraction in VHR
Remote Sensing Images [12.081877372552606]
主に3つのコントリビューションを含む方向対応残差ネットワーク(DiResNet)を提案する。
提案手法は総合精度とF1スコアの両方に利点がある。
論文 参考訳（メタデータ） (2020-05-14T19:33:21Z)
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。