論文の概要: Hot Hém: Sài Gòn Giũa Cái Nóng Hông Còng Bàng -- Saigon in Unequal Heat
- arxiv url: http://arxiv.org/abs/2512.11896v1
- Date: Wed, 10 Dec 2025 05:10:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.006207
- Title: Hot Hém: Sài Gòn Giũa Cái Nóng Hông Còng Bàng -- Saigon in Unequal Heat
- Title（参考訳）: ホット・ヘム:サイ・ギアン・ジャア・カイン・オング・ドン・チョン・ドン・バウン - サイゴン・イン・不平等熱
- Authors: Tessa Vu,
- Abstract要約: Hot HémはGeoAIのワークフローで、H Ch Minh City (HCMC)、Videt Nam、通称Si Gnの歩行者熱露光を推定する。
この空間データサイエンスパイプラインは、Googleストリートビュー(GSV)イメージ、セマンティックイメージセグメンテーション、リモートセンシングを組み合わせたものだ。
2つのXGBoostモデルは、選択された行政区(phng)におけるGSVトレーニングデータセットを使用して、陸地表面温度(LST)を予測するために訓練され、すべてのOSMnx由来の歩行者ネットワークノードにパッチワークで展開され、ヒートアウェアルーティングを可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pedestrian heat exposure is a critical health risk in dense tropical cities, yet standard routing algorithms often ignore micro-scale thermal variation. Hot Hém is a GeoAI workflow that estimates and operationalizes pedestrian heat exposure in Hô Chí Minh City (HCMC), Vi\d{e}t Nam, colloquially known as Sài Gòn. This spatial data science pipeline combines Google Street View (GSV) imagery, semantic image segmentation, and remote sensing. Two XGBoost models are trained to predict land surface temperature (LST) using a GSV training dataset in selected administrative wards, known as phŏng, and are deployed in a patchwork manner across all OSMnx-derived pedestrian network nodes to enable heat-aware routing. This is a model that, when deployed, can provide a foundation for pinpointing where and further understanding why certain city corridors may experience disproportionately higher temperatures at an infrastructural scale.
- Abstract（参考訳）: 歩行者の熱暴露は、密集した熱帯都市において重要な健康リスクであるが、標準的なルーティングアルゴリズムは、しばしばマイクロスケールの熱変化を無視する。
Hot Hémは、Hô Chí Minh City (HCMC)、Vi\d{e}t Namで歩行者の熱暴露を推定し、運用するGeoAIワークフローである。
この空間データサイエンスパイプラインは、Googleストリートビュー(GSV)イメージ、セマンティックイメージセグメンテーション、リモートセンシングを組み合わせたものだ。
2つのXGBoostモデルは、選択された行政区におけるGSVトレーニングデータセットを用いて、陸地表面温度(LST)を予測するために訓練され、すべてのOSMnx由来の歩行者ネットワークノードにパッチワークで展開され、ヒートアウェアルーティングを可能にする。
これは、配備されると、特定の都市回廊がインフラ規模で不均等に高い温度を経験する理由の特定と理解の基盤を提供することができるモデルである。
関連論文リスト
- STHN: Deep Homography Estimation for UAV Thermal Geo-localization with Satellite Imagery [15.135871604577444]
粗大から細い深部ホログラフィー推定手法を用いたUAV熱ジオローカライズ手法を提案する。
この方法は、UAVの最後の位置から半径512メートル以内で、信頼性の高い熱的位置決めを可能にする。
論文 参考訳（メタデータ） (2024-05-30T20:41:12Z) - Building Vision Models upon Heat Conduction [66.1594989193046]
本研究は, 物理的熱伝導原理に基づく熱伝導演算子 (HCO) について紹介する。
HCOは熱源としてイメージパッチを概念化し、適応的な熱エネルギー拡散を通じて相関をモデル化する。
vHeatは、Swin-Transformerと比較して最大で3倍のスループット、GPUメモリ割り当ての80%削減、計算FLOPの35%削減を実現している。
論文 参考訳（メタデータ） (2024-05-26T12:58:04Z) - Unsupervised Landmark Discovery Using Consistency Guided Bottleneck [63.624186864522315]
画像再構成に基づくパイプラインに一貫性のあるボトルネックを導入する。
本稿では,画像間のランドマーク対応を形成することによって,擬似スーパービジョンを得る手法を提案する。
この一貫性は、アダプティブ・ヒートマップの生成において発見されたランドマークの不確かさを変調する。
論文 参考訳（メタデータ） (2023-09-19T10:57:53Z) - Learning Structure-Guided Diffusion Model for 2D Human Pose Estimation [71.24808323646167]
ニューラルネットワークを用いてキーポイントのヒートマップを学習するための新しいスキームである textbfDiffusionPose を提案する。
トレーニング中、キーポイントはノイズを加えることでランダム分布に拡散され、拡散モデルはノイズ付きヒートマップから地中構造熱マップを復元する。
実験では、広く使用されているCOCO、CrowdPose、AI Challengeデータセット上で1.6、1.2、1.2mAPの改善による、私たちのスキームの長所が示されている。
論文 参考訳（メタデータ） (2023-06-29T16:24:32Z) - Long-range UAV Thermal Geo-localization with Satellite Imagery [3.427912625787135]
本稿では,衛星RGB画像を用いた新しい熱的ジオローカライズフレームワークを提案する。
これには、熱画像と衛星画像のペア化の限界に対処する複数のドメイン適応方法が含まれる。
我々の知る限り、この研究は、長距離飛行における衛星RGB画像を用いた熱的ジオローカライズ法を初めて提案したものである。
論文 参考訳（メタデータ） (2023-06-05T16:05:57Z) - Precise Facial Landmark Detection by Reference Heatmap Transformer [52.417964103227696]
より正確に顔のランドマークを検出するための参照ヒートマップ変換器(RHT)を提案する。
評価実験の結果,提案手法は文献における最先端の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-03-14T12:26:48Z) - 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) - A Transfer Learning approach to Heatmap Regression for Action Unit
intensity estimation [50.261472059743845]
アクション・ユニット(英: Action Units、AUs)は、幾何学に基づく原子性顔面筋運動である。
本稿では,その位置と強度を共同で推定する新しいAUモデリング問題を提案する。
ヒートマップは、所定の空間的位置でAUが発生するか否かをモデル化する。
論文 参考訳（メタデータ） (2020-04-14T16:51:13Z)
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。