論文の概要: DeepC4: Deep Conditional Census-Constrained Clustering for Large-scale Multitask Spatial Disaggregation of Urban Morphology
- arxiv url: http://arxiv.org/abs/2507.22554v1
- Date: Wed, 30 Jul 2025 10:25:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-31 16:14:18.150853
- Title: DeepC4: Deep Conditional Census-Constrained Clustering for Large-scale Multitask Spatial Disaggregation of Urban Morphology
- Title(参考訳): DeepC4: 都市形態の大規模マルチタスク空間分散のためのディープコンディショナル・センサス制約クラスタリング
- Authors: Joshua Dimasaka, Christian Geiß, Emily So,
- Abstract要約: 本稿では,局所的な国勢調査統計をクラスタレベルの制約として組み込んだ,深層学習に基づく空間分散手法を提案する。
我々の研究は、我々の既存の粗い派生情報を大規模に空間的監査するための、新しいディープラーニングベースのマッピング技術を提供してきた。
- 参考スコア(独自算出の注目度): 0.7237068561453082
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: To understand our global progress for sustainable development and disaster risk reduction in many developing economies, two recent major initiatives - the Uniform African Exposure Dataset of the Global Earthquake Model (GEM) Foundation and the Modelling Exposure through Earth Observation Routines (METEOR) Project - implemented classical spatial disaggregation techniques to generate large-scale mapping of urban morphology using the information from various satellite imagery and its derivatives, geospatial datasets of the built environment, and subnational census statistics. However, the local discrepancy with well-validated census statistics and the propagated model uncertainties remain a challenge in such coarse-to-fine-grained mapping problems, specifically constrained by weak and conditional label supervision. Therefore, we present Deep Conditional Census-Constrained Clustering (DeepC4), a novel deep learning-based spatial disaggregation approach that incorporates local census statistics as cluster-level constraints while considering multiple conditional label relationships in a joint multitask learning of the patterns of satellite imagery. To demonstrate, compared to GEM and METEOR, we enhanced the quality of Rwandan maps of urban morphology, specifically building exposure and physical vulnerability, at the third-level administrative unit from the 2022 census. As the world approaches the conclusion of our global frameworks in 2030, our work has offered a new deep learning-based mapping technique towards a spatial auditing of our existing coarse-grained derived information at large scales.
- Abstract(参考訳): 多くの発展途上国における持続可能な開発と災害リスク低減のグローバルな進展を理解するため、近年の2つの主要なイニシアチブとして、地球規模の地震モデル(GEM)の統一アフリカ露光データセットと、地球観測ルーチン(METEOR)プロジェクトがあり、様々な衛星画像とその派生物、構築された環境の地理空間データセット、および国の国勢調査統計データから都市形態の大規模マッピングを生成するために、古典的な空間分散技術を実装している。
しかし, 厳密な人口統計と伝播モデルの不確実性を伴う地域差は, 弱いラベルと条件付きラベルの監督によって特に制約された, 粗大できめ細かなマッピング問題において, 依然として課題である。
そこで我々は,衛星衛星のパターンのマルチタスク学習において,複数の条件ラベル関係を考慮しつつ,局所的な国勢調査統計をクラスタレベルの制約として組み込んだ,新しい深層学習に基づく空間分散手法であるDeep Conditional Census-Constrained Clustering (DeepC4)を提案する。
GEMやMETEORと比較して,2022年国勢調査の3段階行政単位において,都市形態のルワンダ地図の質,特に露出と物理的な脆弱性を実証した。
世界が2030年のグローバルフレームワークの結論に近づくにつれ、我々の研究は、我々の既存の粗い派生情報を大規模に空間的監査するための、新しいディープラーニングベースのマッピング技術を提供してきた。
関連論文リスト
- TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。
我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。
TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
論文 参考訳(メタデータ) (2025-06-06T17:59:50Z) - 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) - Geographical Context Matters: Bridging Fine and Coarse Spatial Information to Enhance Continental Land Cover Mapping [2.9212099078191756]
BRIDGE-LCは,土地被覆分類プロセスに大規模地理空間情報を統合する,新しい深層学習フレームワークである。
その結果,地理空間情報の統合により土地被覆マッピング性能が向上することが示唆された。
論文 参考訳(メタデータ) (2025-04-16T17:42:46Z) - Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。
次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。
20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
論文 参考訳(メタデータ) (2025-01-20T07:12:40Z) - Weakly Supervised Framework Considering Multi-temporal Information for Large-scale Cropland Mapping with Satellite Imagery [11.157693752084214]
本研究では,大規模農地マッピングのための多時期情報を考慮した弱教師付き枠組みを提案する。
我々は,グローバルランドカバー(GLC)製品間の整合性に応じて高品質なラベルを抽出し,教師付き学習信号を構築する。
提案手法は大規模農地マッピングにおいて,3つの研究領域にまたがる適応性について実験的に検証されている。
論文 参考訳(メタデータ) (2024-11-27T16:11:52Z) - Deep Learning for Slum Mapping in Remote Sensing Images: A Meta-analysis and Review [2.1383489372142503]
何百万人もの人々が、世界中の多くの主要都市で生活状態の悪いスラムや非公式の集落に住んでいる。
リモートセンシングによるスラムのマッピングが顕著な研究領域として浮上している。
ディープ・ラーニング(Deep Learning)は、衛星画像の自動解析によってスラムに関連する複雑な空間パターンを識別できるようにするため、この分野に新たな次元を追加した。
論文 参考訳(メタデータ) (2024-06-12T09:31:52Z) - Enhancing Lithological Mapping with Spatially Constrained Bayesian Network (SCB-Net): An Approach for Field Data-Constrained Predictions with Uncertainty Evaluation [0.0]
SCB-Netは、空間的に制約された予測を生成しながら、補助変数からの情報を効果的に活用することを目的としている。
SCB-Netはカナダのケベック州北部の2つの地域に適用されている。
この研究は、特に複雑な空間的特徴学習タスクの処理において、ジオリニアにおけるディープニューラルネットワークの有望な進歩を強調した。
論文 参考訳(メタデータ) (2024-03-29T14:17:30Z) - SARN: Structurally-Aware Recurrent Network for Spatio-Temporal Disaggregation [8.636014676778682]
オープンデータは、通常プライバシーポリシーに従うために、しばしば空間的に集約される。しかし、粗い、異質な集約は、下流のAI/MLシステムに対する一貫性のある学習と統合を複雑にする。
本稿では,空間的注意層をGRU(Gated Recurrent Unit)モデルに統合したSARN(Structurely-Aware Recurrent Network)を提案する。
履歴学習データに制限のあるシナリオでは、ある都市変数に事前学習したモデルを、数百のサンプルのみを用いて、他の都市変数に対して微調整できることを示す。
論文 参考訳(メタデータ) (2023-06-09T21:01:29Z) - Activation Regression for Continuous Domain Generalization with
Applications to Crop Classification [48.795866501365694]
衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。
中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。
我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
論文 参考訳(メタデータ) (2022-04-14T15:41:39Z) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳(メタデータ) (2022-01-26T14:58:51Z) - Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。
我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。
フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
論文 参考訳(メタデータ) (2021-04-30T12:47:52Z)
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。