論文の概要: Population Estimation using Deep Learning over Gandhinagar Urban Area

• arxiv url: http://arxiv.org/abs/2509.12926v1
• Date: Tue, 16 Sep 2025 10:25:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:53.030768
• Title: Population Estimation using Deep Learning over Gandhinagar Urban Area
• Title（参考訳）: ガンジナガル市街地における深層学習による人口推定
• Authors: Jai Singla, Peal Jotania, Keivalya Pandya,
• Abstract要約: 資源配分から都市計画に至るまで,様々な用途において人口推定が重要である。 本研究では,高解像度(0.3m)の衛星画像を用いて人口を推定する深層学習手法を提案する。 このフレームワークは、急速に都市化される都市において、リソース管理を最適化するためのスケーラブルでレプリケートなツールを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Population estimation is crucial for various applications, from resource allocation to urban planning. Traditional methods such as surveys and censuses are expensive, time-consuming and also heavily dependent on human resources, requiring significant manpower for data collection and processing. In this study a deep learning solution is proposed to estimate population using high resolution (0.3 m) satellite imagery, Digital Elevation Models (DEM) of 0.5m resolution and vector boundaries. Proposed method combines Convolution Neural Network (CNN) architecture for classification task to classify buildings as residential and non-residential and Artificial Neural Network (ANN) architecture to estimate the population. Approx. 48k building footprints over Gandhinagar urban area are utilized containing both residential and non-residential, with residential categories further used for building-level population estimation. Experimental results on a large-scale dataset demonstrate the effectiveness of our model, achieving an impressive overall F1-score of 0.9936. The proposed system employs advanced geospatial analysis with high spatial resolution to estimate Gandhinagar population at 278,954. By integrating real-time data updates, standardized metrics, and infrastructure planning capabilities, this automated approach addresses critical limitations of conventional census-based methodologies. The framework provides municipalities with a scalable and replicable tool for optimized resource management in rapidly urbanizing cities, showcasing the efficiency of AI-driven geospatial analytics in enhancing data-driven urban governance.
• Abstract（参考訳）: 資源配分から都市計画に至るまで,様々な用途において人口推定が重要である。 調査や国勢調査のような伝統的な手法は費用がかかり、時間もかかり、人的資源に大きく依存する。 本研究では,高解像度(0.3m)の衛星画像,0.5mのディジタル標高モデル(DEM),ベクトル境界を用いた深層学習手法を提案する。 提案手法は,建物を住宅・非住宅・人工ニューラルネットワーク(ANN)アーキテクチャとして分類し,人口を推定するためのCNNアーキテクチャを組み合わせたものである。 Approx ガンディナガル都市圏の48kの建物面積は、住宅と非住宅の両方を含み、住宅カテゴリーは建物レベルの人口推定にさらに利用されている。 大規模データセットによる実験結果から,F1スコアの0.9936が得られた。 提案システムは,空間分解能の高い高度地理空間解析を用いて,ガンディナガルの人口を278,954人と推定する。 リアルタイムデータ更新、標準化されたメトリクス、インフラ計画機能を統合することで、この自動化アプローチは、従来の国勢調査ベースの方法論の重要な制限に対処する。 このフレームワークは、急速に都市化される都市において、リソース管理を最適化するためのスケーラブルでレプリケートなツールを提供する。

関連論文リスト

• Classification of residential and non-residential buildings based on satellite data using deep learning [0.0]
  本稿では,高分解能衛星データとベクトルデータを組み合わせて,高性能なビルディング分類を実現する新しいディープラーニング手法を提案する。 大規模データセットによる実験結果から,F1スコアの0.9936が得られた。
  論文  参考訳（メタデータ） (2024-11-11T11:23:43Z)
• Explainable Hierarchical Urban Representation Learning for Commuting Flow Prediction [1.5156879440024378]
  通勤フロー予測は、現実の自治体の業務に欠かせない課題である。 我々は,異なるタイプのODフローを予測するために,意味のある領域埋め込みを生成するヘテロジニアスグラフベースモデルを開発した。 提案モデルでは,一様都市構造の観点から既存モデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-27T03:30:01Z)
• Unified Data Management and Comprehensive Performance Evaluation for Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
  この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。 都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。 多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
  論文  参考訳（メタデータ） (2023-08-24T16:20:00Z)
• Semi-supervised Learning from Street-View Images and OpenStreetMap for Automatic Building Height Estimation [59.6553058160943]
  本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。 提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。 予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
  論文  参考訳（メタデータ） (2023-07-05T18:16:30Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)
• So2Sat POP -- A Curated Benchmark Data Set for Population Estimation from Space on a Continental Scale [11.38584315242023]
  欧州98都市における人口推定のための包括的データセットを提供する。 データセットは、デジタル標高モデル、地域気候帯、土地利用率、夜間光とマルチスペクトルセンチネル2画像の組み合わせ、およびOpen Street Mapイニシアチブのデータから構成される。
  論文  参考訳（メタデータ） (2022-04-07T07:30:43Z)
• 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)
• Population Mapping in Informal Settlements with High-Resolution Satellite Imagery and Equitable Ground-Truth [1.4414055798999759]
  低所得都市部における密集集落の人口推定のための一般化可能な枠組みを提案する。 我々は,地域コミュニティと連携して収集される等質な地平データを用いている。 本研究では,フレキシブルでカスタマイズ可能な空間分解能を実現するグリッド型人口推定モデルを提案する。
  論文  参考訳（メタデータ） (2020-09-17T16:37:32Z)

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。