論文の概要: GBA-UBF : A Large-Scale and Fine-Grained Building Function Classification Dataset in the Greater Bay Area

• arxiv url: http://arxiv.org/abs/2510.08921v1
• Date: Fri, 10 Oct 2025 02:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:48.005359
• Title: GBA-UBF : A Large-Scale and Fine-Grained Building Function Classification Dataset in the Greater Bay Area
• Title（参考訳）: GBA-UBF : グレーターベイエリアにおける大規模かつ微細な建物機能分類データセット
• Authors: Chunsong Chen, Yichen Hou, Huan Chen, Junlin Li, Rong Fu, Qiushen Lai, Yiping Chen, Ting Han,
• Abstract要約: 広東-香港-マカオ大都市圏の急速な都市化は、高解像度でビルレベルの機能的データに対する緊急の需要を生み出している。 5つの機能カテゴリのうちの1つを約400万の建物に割り当てる、大規模できめ細かいデータセットを提示する。
• 参考スコア（独自算出の注目度）: 16.25561105858139
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid urbanization in the Guangdong-Hong Kong-Macao Greater Bay Area (GBA) has created urgent demand for high-resolution, building-level functional data to support sustainable spatial planning. Existing land use datasets suffer from coarse granularity and difficulty in capturing intra-block heterogeneity. To this end, we present the Greater Bay Area Urban Building Function Dataset (GBA-UBF), a large-scale, fine-grained dataset that assigns one of five functional categories to nearly four million buildings across six core GBA cities. We proposed a Multi-level Building Function Optimization (ML-BFO) method by integrating Points of Interest (POI) records and building footprints through a three-stage pipeline: (1) candidate label generation using spatial overlay with proximity weighting, (2) iterative refinement based on neighborhood label autocorrelation, and (3) function-related correction informed by High-level POI buffers. To quantitatively validate results, we design the Building Function Matching Index (BFMI), which jointly measures categorical consistency and distributional similarity against POI-derived probability heatmaps. Comparative experiments demonstrate that GBA-UBF achieves significantly higher accuracy, with a BMFI of 0.58. This value markedly exceeds that of the baseline dataset and exhibits superior alignment with urban activity patterns. Field validation further confirms the dataset's semantic reliability and practical interpretability. The GBA-UBF dataset establishes a reproducible framework for building-level functional classification, bridging the gap between coarse land use maps and fine-grained urban analytics. The dataset is accessible at https://github.com/chenchs0629/GBA-UBF, and the data will undergo continuous improvement and updates based on feedback from the community.
• Abstract（参考訳）: 広東-香港-マカオ大都市圏(GBA)の急速な都市化は、持続可能な空間計画を支援するため、高解像度でビルレベルの機能的データに対する緊急の需要を生み出している。 既存の土地利用データセットは、粗い粒度とブロック内不均一性を捉えるのが困難である。 この目的のために、大都市圏都市建設機能データセット(GBA-UBF)を提示する。これは、大規模できめ細かいデータセットで、5つの機能カテゴリのうちの1つを、6つの中核GBA都市に約400万の建物に割り当てる。 我々は,(1)近接重み付き空間オーバーレイを用いた候補ラベル生成,(2)近傍ラベルの自己相関に基づく反復的改善,(3)高レベルPOIバッファによって通知される関数関連補正,の3段階のパイプラインを通して,関心のポイントとフットプリントを統合したマルチレベルビルディング関数最適化(ML-BFO)手法を提案した。 結果の定量的検証を目的として,POI由来の確率熱マップに対する分類的一貫性と分布的類似度を共同で測定するビルディング関数マッチング指標(BFMI)を設計した。 比較実験により、GBA-UBFのBMFIは0.58である。 この値は、ベースラインデータセットを著しく上回り、都市活動パターンと優れた整合性を示す。 フィールド検証はデータセットのセマンティックな信頼性と実用的な解釈可能性をさらに確認する。 GBA-UBFデータセットは、粗い土地利用地図ときめ細かい都市分析の間のギャップを埋め、ビルレベルの機能分類のための再現可能なフレームワークを確立する。 データセットはhttps://github.com/chenchs0629/GBA-UBFでアクセスできる。

関連論文リスト

• PlaceFM: A Training-free Geospatial Foundation Model of Places using Large-Scale Point of Interest Data [0.5735035463793009]
  PlaceFMは、トレーニング不要のクラスタリングベースのアプローチを通じて、プレース表現をキャプチャする。 placeFMは、米国Foursquareのデータから構築された関心グラフの全点をまとめたものだ。 placeFMは、興味のある場所を自動的に識別しながら、汎用的な領域埋め込みを生成する。 placeFMは、大規模POIグラフ上の領域レベルの表現を生成する際に、最大100倍のスピードアップを達成する。
  論文  参考訳（メタデータ） (2025-06-25T15:10:31Z)
• FRACTAL: An Ultra-Large-Scale Aerial Lidar Dataset for 3D Semantic Segmentation of Diverse Landscapes [0.0]
  7つのセマンティッククラスのための高品質なラベル付き10万個の高密度点雲からなる超大規模空中Lidarデータセットを提案する。 データセットのデータ収集,アノテーション,キュレーションプロセスについて述べる。 アート3Dポイントクラウド分類モデルを用いて,ベースラインのセマンティックセマンティックセマンティクス結果を提供する。
  論文  参考訳（メタデータ） (2024-05-07T19:37:22Z)
• Trust your Good Friends: Source-free Domain Adaptation by Reciprocal Neighborhood Clustering [50.46892302138662]
  我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。 提案手法は,ソースドメイン分類器と一致しない可能性のあるターゲットデータが,依然として明確なクラスタを形成しているという観測に基づいている。 本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
  論文  参考訳（メタデータ） (2023-09-01T15:31:18Z)
• 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)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• Robust Self-Tuning Data Association for Geo-Referencing Using Lane Markings [44.4879068879732]
  本稿では,データアソシエーションにおけるあいまいさを解消するための完全なパイプラインを提案する。 その中核は、測定のエントロピーに応じて探索領域に適応する堅牢な自己調整データアソシエーションである。 ドイツ・カールスルーエ市周辺の都市・農村のシナリオを実データとして評価した。
  論文  参考訳（メタデータ） (2022-07-28T12:29:39Z)
• DataPerf: Benchmarks for Data-Centric AI Development [81.03754002516862]
  DataPerfは、MLデータセットとデータ中心アルゴリズムを評価するための、コミュニティ主導のベンチマークスイートである。 私たちは、この反復的な開発をサポートするために、複数の課題を抱えたオープンなオンラインプラットフォームを提供しています。 ベンチマーク、オンライン評価プラットフォーム、ベースライン実装はオープンソースである。
  論文  参考訳（メタデータ） (2022-07-20T17:47:54Z)

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。