論文の概要: Mapping Rio de Janeiro's favelas: general-purpose vs. satellite-specific neural networks

• arxiv url: http://arxiv.org/abs/2510.03725v1
• Date: Sat, 04 Oct 2025 08:05:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.215484
• Title: Mapping Rio de Janeiro's favelas: general-purpose vs. satellite-specific neural networks
• Title（参考訳）: リオデジャネイロのファベラのマッピング:汎用対衛星特異的ニューラルネットワーク
• Authors: Thomas Hallopeau, Joris Guérin, Laurent Demagistri, Youssef Fouzai, Renata Gracie, Vanderlei Pascoal De Matos, Helen Gurgel, Nadine Dessay,
• Abstract要約: リオデジャネイロの動物相を検出するための2種類の事前訓練ニューラルネットワークを比較した。 本研究では,タスク特異性やデータボリュームが都市部における非公式な居住地検出において優れた性能を発揮するかどうかを考察する。
• 参考スコア（独自算出の注目度）: 1.0184939933592572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While deep learning methods for detecting informal settlements have already been developed, they have not yet fully utilized the potential offered by recent pretrained neural networks. We compare two types of pretrained neural networks for detecting the favelas of Rio de Janeiro: 1. Generic networks pretrained on large diverse datasets of unspecific images, 2. A specialized network pretrained on satellite imagery. While the latter is more specific to the target task, the former has been pretrained on significantly more images. Hence, this research investigates whether task specificity or data volume yields superior performance in urban informal settlement detection.
• Abstract（参考訳）: 非公式な居住地を検出するためのディープラーニング手法はすでに開発されているが、最近トレーニングされたニューラルネットワークがもたらすポテンシャルを十分に活用していない。 リオデジャネイロの動物相を検出するための2種類の事前訓練ニューラルネットワークの比較を行った。 1.不特定画像の多種多様なデータセットに事前訓練されたジェネリックネットワーク 2.衛星画像を利用した専用ネットワーク。 後者は対象のタスクに特化しているが、前者ははるかに多くのイメージで事前訓練されている。 そこで,本研究では,タスク特異性やデータボリュームが,都市部における非公式な居留地検出に優れた性能をもたらすかどうかを考察した。

関連論文リスト

• Diffused Redundancy in Pre-trained Representations [98.55546694886819]
  事前訓練された表現で機能がどのようにコード化されているか、より詳しく見ていきます。 与えられた層における学習された表現は拡散冗長性を示す。 我々の発見は、事前訓練されたディープニューラルネットワークによって学習された表現の性質に光を当てた。
  論文  参考訳（メタデータ） (2023-05-31T21:00:50Z)
• Bayesian Convolutional Neural Networks for Limited Data Hyperspectral Remote Sensing Image Classification [14.464344312441582]
  我々は、HSRS画像の分類に、ベイズニューラルネットワークと呼ばれる、ディープニューラルネットワークの特別なクラスを使用します。 ベイズニューラルネットワークは、不確実性を測定するための固有のツールを提供する。 ベイジアンネットワークは、同様に構築された非ベイジアン畳み込みニューラルネットワーク(CNN)と、既成のランダムフォレスト(RF)より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-19T00:02:16Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Geographical Knowledge-driven Representation Learning for Remote Sensing Images [18.79154074365997]
  リモートセンシング画像のための地理知識駆動表現学習法(GeoKR)を提案する。 各リモートセンシング画像に関連するグローバルな土地被覆製品と地理的位置を地理的知識とみなす。 ネットワーク事前トレーニングをサポートするために,大規模な事前トレーニングデータセットであるLevir-KRを提案する。
  論文  参考訳（メタデータ） (2021-07-12T09:23:15Z)
• Learning Neural Network Subspaces [74.44457651546728]
  近年の観測は,ニューラルネットワーク最適化の展望の理解を深めている。 1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。 1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
  論文  参考訳（メタデータ） (2021-02-20T23:26:58Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• EagerNet: Early Predictions of Neural Networks for Computationally Efficient Intrusion Detection [2.223733768286313]
  最小限のリソースでネットワーク攻撃を検出するアーキテクチャを提案する。 アーキテクチャはバイナリまたはマルチクラスの分類問題に対処でき、ネットワークの精度を予測速度と交換できる。
  論文  参考訳（メタデータ） (2020-07-27T11:31:37Z)
• Roof material classification from aerial imagery [0.0]
  本稿では, 航空写真を用いた屋根材分類アルゴリズムについて述べる。 このアルゴリズムの主な利点は予測精度を向上させる方法である。 オープンAIカリビアンチャレンジ」で2位を獲得した。
  論文  参考訳（メタデータ） (2020-04-23T22:47:50Z)

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。