論文の概要: Signal from Space: Detecting Schools and Towers to Bridge the Digital Divide

• arxiv url: http://arxiv.org/abs/2607.02724v1
• Date: Thu, 02 Jul 2026 19:19:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.407718
• Title: Signal from Space: Detecting Schools and Towers to Bridge the Digital Divide
• Title（参考訳）: 宇宙からの信号: デジタルディバイドを橋渡しする学校やタワーを検知する
• Abstract要約: Giga Initiative(ギガイニシアチブ)は、すべての学校をインターネットに接続することを目的としている。 本稿では,高解像度衛星画像と転送学習を用いて両タスクを同時に処理する,スケーラブルでビジョンのみのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 38.087411856667465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable internet access is essential for modern education, yet millions of school-aged children especially in developing regions remain offline due to unconnected schools. The Giga Initiative aims to connect every school to the internet, but doing so at scale requires efficient methods to map schools and assess surrounding connectivity infrastructure without relying on sparse or noisy third-party datasets. In this work, we propose a scalable, vision-only framework that uses high-resolution satellite imagery and transfer learning to address both tasks simultaneously. By adapting pre-trained object detection models to new geographical regions with minimal labeled data, we detect schools and cell towers directly from space. We then analyze the spatial relationship between detected schools and nearby towers as a proxy for connectivity availability. This purely imagery-driven pipeline enables large-scale infrastructure mapping, reduces dependency on auxiliary data, and supports data-driven prioritization of connectivity investments in underserved areas. Our approach is demonstrated on real satellite imagery from Lesotho, showing strong performance across this region.
• Abstract（参考訳）: 現代の教育には信頼性の高いインターネットアクセスが不可欠であるが、特に発展途上国では何百万人もの学齢児童が、接続されていない学校のためにオフラインのままである。 Giga Initiative(ギガイニシアチブ)は、すべての学校をインターネットに接続することを目指しているが、大規模に実施するには、スパースやノイズの多いサードパーティのデータセットに頼ることなく、学校をマッピングし、周囲の接続インフラを評価する効率的な方法が必要である。 本研究では,高解像度衛星画像と転送学習を用いて両タスクを同時に処理する,スケーラブルで視覚のみのフレームワークを提案する。 学習済みの物体検出モデルを最小限のラベル付きデータで新しい地理的領域に適応させることで、空間から直接学校や携帯電話塔を検出する。 次に,検出された学校と近くのタワーの空間的関係を,接続性向上のためのプロキシとして分析する。 この純粋に画像駆動パイプラインは、大規模なインフラストラクチャマッピングを可能にし、補助データへの依存を低減し、未保存領域における接続投資のデータ駆動優先化をサポートする。 我々のアプローチは、レソトからの実際の衛星画像で実証され、この地域全体での強いパフォーマンスを示している。

関連論文リスト

• Label-Efficient School Detection from Aerial Imagery via Weakly Supervised Pretraining and Fine-Tuning [49.671779378073886]
  航空画像からの学校検出のための弱教師付き枠組みを提案する。 本手法は,手動のアノテーションが極めて少ない低データのレシエーションに特化して設計されている。 すべてのモデル、トレーニングコード、自動ラベル付きデータは、将来の研究と実世界への影響を促進するために公開されます。
  論文  参考訳（メタデータ） (2026-05-05T16:51:28Z)
• A Multi-tiered Human-in-the-loop Approach for Interactive School Mapping Using Earth Observation and Machine Learning [2.0898079211815452]
  本稿では,対話型スクールマッピングのための多層ヒューマン・イン・ザ・ループ・フレームワークを提案する。 発展途上国における教育機関記録の正確性と完全性の向上を目的としている。
  論文  参考訳（メタデータ） (2025-10-31T13:15:22Z)
• GeoDistill: Geometry-Guided Self-Distillation for Weakly Supervised Cross-View Localization [70.65458151146767]
  クロスビューのローカライゼーションは、自律ナビゲーションや拡張現実のような大規模な屋外アプリケーションにとって不可欠である。 既存の手法は、しばしば完全に教師付き学習に依存している。 本研究では,FoV(Field-of-View)ベースのマスキングを用いた教師学習フレームワークGeoDistillを提案する。
  論文  参考訳（メタデータ） (2025-07-15T03:00:15Z)
• Large-scale School Mapping using Weakly Supervised Deep Learning for Universal School Connectivity [0.0]
  弱教師付き深層学習技術を用いて高解像度衛星画像に学校を配置するコスト効率でスケーラブルな手法を提案する。 ビジョントランスフォーマーと畳み込みニューラルネットワークを組み合わせた私たちの最良のモデルは、10のパイロットアフリカ諸国で0.96以上のAUPRC値を達成しています。
  論文  参考訳（メタデータ） (2024-12-19T14:06:56Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• Towards Scale Consistent Monocular Visual Odometry by Learning from the Virtual World [83.36195426897768]
  仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。 まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。 結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
  論文  参考訳（メタデータ） (2022-03-11T01:51:54Z)
• Geography-Aware Self-Supervised Learning [79.4009241781968]
  異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。 本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。 提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2020-11-19T17:29:13Z)
• Utilizing Satellite Imagery Datasets and Machine Learning Data Models to Evaluate Infrastructure Change in Undeveloped Regions [0.0]
  本研究の目的は、鉄道などの大規模インフラプロジェクトを対象とした自動監視により、建設の方向性を定義し予測するための信頼性の高い指標を決定することである。 利用可能な衛星データを用いて3Dメッシュとデジタル表面モデル(DSM)を作成することにより、輸送経路を効果的に予測できることを期待する。
  論文  参考訳（メタデータ） (2020-09-01T02:11:14Z)
• Boundary Regularized Building Footprint Extraction From Satellite Images Using Deep Neural Network [6.371173732947292]
  本稿では,1つの衛星画像から構築事例を共同で検出し,ノイズの多い建物の境界形状を規則化する,新しいディープニューラルネットワークを提案する。 本モデルでは,オブジェクトの局所化,認識,セマンティックラベリング,幾何学的形状抽出を同時に行うことができる。
  論文  参考訳（メタデータ） (2020-06-23T17:24:09Z)

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。