論文の概要: IRSAMap:Towards Large-Scale, High-Resolution Land Cover Map Vectorization
- arxiv url: http://arxiv.org/abs/2508.16272v1
- Date: Fri, 22 Aug 2025 10:14:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-25 16:42:36.351862
- Title: IRSAMap:Towards Large-Scale, High-Resolution Land Cover Map Vectorization
- Title（参考訳）: IRSAMap:大規模高分解能土地被覆地図ベクトル化に向けて
- Authors: Yu Meng, Ligao Deng, Zhihao Xi, Jiansheng Chen, Jingbo Chen, Anzhi Yue, Diyou Liu, Kai Li, Chenhao Wang, Kaiyu Li, Yupeng Deng, Xian Sun,
- Abstract要約: IRSAMapは、大規模、高解像度、多機能なランドカバーベクトルマッピングのための最初のグローバルリモートセンシングデータセットである。
IRSAMapには4つの大きな利点がある: 1) 一般的な10のオブジェクトの1.8万以上のインスタンスを持つ包括的なベクトルアノテーションシステム、2) 効率と一貫性を改善するために手動とAIベースの手法を組み合わせたインテリジェントなアノテーションワークフロー、3) 合計1000kmを超える6大陸79リージョンにわたるグローバルカバレッジ、4) ピクセルレベルの分類、ビルディングアウトライン抽出、道路中心線抽出、パノラマセグメンテーションといったタスクに対するマルチタスク適応性。
- 参考スコア（独自算出の注目度）: 37.95801085939
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the enhancement of remote sensing image resolution and the rapid advancement of deep learning, land cover mapping is transitioning from pixel-level segmentation to object-based vector modeling. This shift demands more from deep learning models, requiring precise object boundaries and topological consistency. However, existing datasets face three main challenges: limited class annotations, small data scale, and lack of spatial structural information. To overcome these issues, we introduce IRSAMap, the first global remote sensing dataset for large-scale, high-resolution, multi-feature land cover vector mapping. IRSAMap offers four key advantages: 1) a comprehensive vector annotation system with over 1.8 million instances of 10 typical objects (e.g., buildings, roads, rivers), ensuring semantic and spatial accuracy; 2) an intelligent annotation workflow combining manual and AI-based methods to improve efficiency and consistency; 3) global coverage across 79 regions in six continents, totaling over 1,000 km; and 4) multi-task adaptability for tasks like pixel-level classification, building outline extraction, road centerline extraction, and panoramic segmentation. IRSAMap provides a standardized benchmark for the shift from pixel-based to object-based approaches, advancing geographic feature automation and collaborative modeling. It is valuable for global geographic information updates and digital twin construction. The dataset is publicly available at https://github.com/ucas-dlg/IRSAMap
- Abstract（参考訳）: リモートセンシング画像の解像度の向上とディープラーニングの急速な進歩により、ランドカバーマッピングはピクセルレベルのセグメンテーションからオブジェクトベースのベクトルモデリングへと移行している。
このシフトはディープラーニングモデルよりも、正確なオブジェクト境界とトポロジ的一貫性を必要とする。
しかし、既存のデータセットは、クラスアノテーションの制限、小さなデータスケール、空間構造情報の欠如という3つの大きな課題に直面している。
これらの課題を克服するため、IRSAMapは大規模かつ高解像度で多機能なランドカバーベクトルマッピングのための世界初のグローバルリモートセンシングデータセットである。
IRSAMapには4つの大きな利点がある。
1)10の典型的対象(例:建物、道路、河川)の1.8万件を超える総合的ベクトルアノテーションシステムであって、意味的・空間的正確性を確保すること。
2) 効率と一貫性を改善するために手動とAIベースの手法を組み合わせたインテリジェントなアノテーションワークフロー。
3)全世界の6大陸79地域をカバーし,総延長1000kmを超えている。
4) 画素レベルの分類, ビルディングアウトライン抽出, 道路中心線抽出, パノラマ分割などのタスクに対するマルチタスク適応性。
IRSAMapは、ピクセルベースのアプローチからオブジェクトベースのアプローチへのシフト、地理的機能自動化と協調モデリングの進歩のための標準化されたベンチマークを提供する。
グローバルな地理情報更新とデジタルツイン構築に有用である。
データセットはhttps://github.com/ucas-dlg/IRSAMapで公開されている。
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) - Bridging Scales in Map Generation: A scale-aware cascaded generative mapping framework for seamless and consistent multi-scale cartographic representation [2.414525855161937]
マルチスケールタイルマップは地理情報サービスに不可欠であり、測量と地図の基本的な成果となる。
現在のアプローチでは、動的マルチスケール生成と地図一般化原理の不十分な統合とタイルワイズ生成による空間的不連続の2つの根本的な課題に直面している。
本研究では,条件付き誘導拡散とマルチスケールカスケードアーキテクチャを利用するスケール対応地図生成フレームワーク(SCGM)を提案する。
論文 参考訳（メタデータ） (2025-02-07T15:11:31Z) - Learning without Exact Guidance: Updating Large-scale High-resolution Land Cover Maps from Low-resolution Historical Labels [4.833320222969612]
大規模な高解像度(HR)の土地被覆マッピングは、地球の表面を調査し、人類が直面する多くの課題を解決するための重要な課題である。
本研究では,大規模人事地被覆地図作成のための効率的かつ弱教師付きフレームワーク(Paraformer)を提案する。
論文 参考訳（メタデータ） (2024-03-05T08:02:00Z) - CartoMark: a benchmark dataset for map pattern recognition and 1 map
content retrieval with machine intelligence [9.652629004863364]
我々は,地図テキストアノテーション認識,地図シーン分類,地図超解像再構成,地図スタイル転送のための大規模ベンチマークデータセットを開発した。
これらの良好なラベル付きデータセットは、マップ特徴の検出、マップパターン認識、マップコンテンツ検索を行う最先端のマシンインテリジェンス技術を促進する。
論文 参考訳（メタデータ） (2023-12-14T01:54:38Z) - Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese
Geographic Re-Ranking [61.60169764507917]
中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。
そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
論文 参考訳（メタデータ） (2023-09-04T13:44:50Z) - DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。
特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。
マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
論文 参考訳（メタデータ） (2023-08-03T17:59:04Z) - OpenEarthMap: A Benchmark Dataset for Global High-Resolution Land Cover
Mapping [15.419052489797775]
OpenEarthMapは、グローバルな高解像度土地被覆マッピングのためのベンチマークデータセットである。
6大陸44か国から97の地域をカバーしている5000の航空画像と衛星画像の2200万部で構成されている。
論文 参考訳（メタデータ） (2022-10-19T17:20:16Z) - Weakly-Supervised Multi-Granularity Map Learning for Vision-and-Language
Navigation [87.52136927091712]
我々は,ロボットエージェントが言語指導によって記述された経路をたどって,環境の中をナビゲートするよう訓練する,現実的かつ困難な問題に対処する。
高精度かつ効率的なナビゲーションを実現するためには,環境オブジェクトの空間的位置と意味情報の両方を正確に表現した地図を構築することが重要である。
より包括的にオブジェクトを表現するために,オブジェクトの細粒度(色,テクスチャなど)とセマンティッククラスの両方を含む多粒度マップを提案する。
論文 参考訳（メタデータ） (2022-10-14T04:23:27Z) - Very High Resolution Land Cover Mapping of Urban Areas at Global Scale
with Convolutional Neural Networks [0.0]
本稿では,高解像度画像と限られたノイズラベル付きデータから,都市域の7クラス土地被覆マップを作成する手法について述べる。
データベースの集約、セミオートマチックな分類、手動のアノテーションといったいくつかの分野に関するトレーニングデータセットを作成して、各クラスで完全な基礎的真実を得ました。
最終生成物は、ベクトル化の前に縫合され、二項化され、精製されたモデル予測から計算された非常に貴重な土地被覆写像である。
論文 参考訳（メタデータ） (2020-05-12T10:03:20Z)
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。