論文の概要: Laplacian Frequency Interaction Network for Rural Thematic Road Extraction

• arxiv url: http://arxiv.org/abs/2605.02866v1
• Date: Mon, 04 May 2026 17:39:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.441203
• Title: Laplacian Frequency Interaction Network for Rural Thematic Road Extraction
• Title（参考訳）: 農村テーマ道路抽出のためのラプラシアン周波数相互作用ネットワーク
• Authors: Baiyan Chen, Weixin Zhai,
• Abstract要約: 農業機械画像からトポロジカル道路構造を抽出するラプラシア周波数相互作用ネットワークを提案する。 中国河南省の実際の農業軌跡データセットで実施された実験では、LFINetが新たな最先端技術を確立していることが示されている。
• 参考スコア（独自算出の注目度）: 0.14323566945483493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rural thematic road network construction aims to extract topological road structures from movement trajectory images of agricultural machinery. However, this task faces challenges where downsampling methods commonly used in existing studies tend to blur the sparse high-frequency road structures, and the heavy noise from dense field operations often leads to fragmented or redundant topologies in the extracted networks. To address these challenges, we propose LFINet, a Laplacian Frequency Interaction Network. The network begins with a Laplacian Multi-scale Separator (LMS) to decouple the image into low-frequency semantic contexts and high-frequency structural details. These components are then processed by the Cross-Frequency Interaction Block (CFIB) through a dual-pathway architecture in which a High-Frequency Block (HFB) refines local structures while a Spatial Transformer (ST) captures global semantics. Subsequently, a Frequency Gated Modulation (FGM) mechanism integrates the features from pathways by leveraging semantic contexts to calibrate the structural details. Finally, a Progressive Reconstruction Decoder iteratively fuses multi-scale features to ensure topological consistency. Experiments conducted on a real-world agricultural trajectories dataset from Henan Province, China, show that LFINet establishes a new state-of-the-art. Specifically, it achieves an F1-score of 92.54% and an IoU of 86.12%, surpassing the second-ranked method by 0.64% and 1.1%, respectively. This confirms its capability to effectively construct topological road networks from noisy and sparse field data.
• Abstract（参考訳）: 農業機械の移動軌跡画像からトポロジカルな道路構造を抽出することを目的とする。 しかし,既存の研究でよく用いられるダウンサンプリング手法は,低周波道路構造を曖昧にしがちであり,高密度フィールド操作による重騒音は,抽出されたネットワークの断片化や冗長なトポロジに繋がることが多い。 これらの課題に対処するため,ラプラシアン周波数相互作用ネットワークLFINetを提案する。 ネットワークはLMS(Laplacian Multi-scale Separator)から始まり、画像を低頻度のセマンティックコンテキストと高周波構造詳細に分離する。 これらのコンポーネントはCFIB(Cross-Frequency Interaction Block)によって処理され、HFB(High-Frequency Block)が局所構造を洗練し、ST(Spatial Transformer)がグローバルセマンティクスをキャプチャする。 その後、周波数ゲーテッド変調(FGM)機構は、意味的コンテキストを利用して構造の詳細を校正することで経路からの特徴を統合する。 最後に、プログレッシブレコンストラクションデコーダは、トポロジ的一貫性を確保するために、反復的にマルチスケール機能を融合する。 中国河南省の実際の農業軌跡データセットで実施された実験では、LFINetが新たな最先端技術を確立していることが示されている。 具体的には、F1スコアは92.54%、IoUは86.12%で、それぞれ0.64%、IoUは1.1%である。 これにより、ノイズやスパースフィールドデータからトポロジカルな道路網を効果的に構築できることを確認した。

関連論文リスト

• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• DSFC-Net: A Dual-Encoder Spatial and Frequency Co-Awareness Network for Rural Road Extraction [32.51260718935461]
  本稿では,空間および周波数領域情報を融合するデュアルエンコーダフレームワークDSFC-Netを提案する。 CFIAモジュールはラプラシアピラミッド戦略を通じて、高周波数と低周波の情報を明示的に分離する。 WHU-RuR+、DeepGlobe、およびマサチューセッツのデータセットの実験は、最先端のアプローチよりもDSFC-Netの方が優れていることを検証した。
  論文  参考訳（メタデータ） (2026-02-01T15:23:42Z)
• Traffic Image Restoration under Adverse Weather via Frequency-Aware Mamba [37.901352525347214]
  本稿では,周波数対応マンバ(FAMamba)を提案する。このフレームワークは,周波数誘導とシーケンスモデリングを統合し,効率的な画像復元を実現する。 本アーキテクチャは,(1)双方向2次元周波数適応走査による局所的相互作用を強化するDual-Branch Feature extract Block (DFEB) と,(2)ウェーブレットに基づく高周波数残差学習によりテクスチャの詳細を洗練するPreside-Guided Block (PGB) の2つのキーコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-12-03T14:50:20Z)
• Hierarchical Frequency-Decomposition Graph Neural Networks for Road Network Representation Learning [17.71971203386826]
  道路網は、インテリジェント交通システムとその関連アプリケーションを支える重要なインフラである。 HiFiNetは、空間およびスペクトルモデリングを統一する新しい階層型周波数分解グラフニューラルネットワークである。
  論文  参考訳（メタデータ） (2025-11-16T08:48:02Z)
• Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
  リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。 既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。 本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
  論文  参考訳（メタデータ） (2025-08-07T11:14:16Z)
• Holistically-Nested Structure-Aware Graph Neural Network for Road Extraction [6.537257686406911]
  本稿では,道路領域と道路境界の両方を同時に検出する新しいグラフニューラルネットワーク(GNN)を提案する。 挑戦的データセットの実験により,提案手法が道路境界のデライン化と道路抽出精度を向上させることを示す。
  論文  参考訳（メタデータ） (2024-07-02T20:11:09Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)
• Cross-layer Feature Pyramid Network for Salient Object Detection [102.20031050972429]
  本稿では,有能な物体検出における進行的融合を改善するために,新しいクロス層特徴ピラミッドネットワークを提案する。 レイヤごとの分散機能は、他のすべてのレイヤからセマンティクスと健全な詳細の両方を同時に所有し、重要な情報の損失を減らします。
  論文  参考訳（メタデータ） (2020-02-25T14:06:27Z)

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。