論文の概要: Topologically Consistent Agricultural Parcel Vectorization with Semantic-Guided Diffusion and Topology-Aware Polygonization

• arxiv url: http://arxiv.org/abs/2609.07520v1
• Date: Mon, 07 Sep 2026 14:02:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 00:04:13.705445
• Title: Topologically Consistent Agricultural Parcel Vectorization with Semantic-Guided Diffusion and Topology-Aware Polygonization
• Title（参考訳）: Semantic-Guided Diffusion と Topology-Aware Polygonization を併用した位相整合型農業用パーセルベクトル化
• Abstract要約: 農業用パーセルポリゴンは、精密農業、土地管理、作物モニタリングなどの地理空間的応用において基本的な役割を担っている。 本稿では、トポロジカルに一貫した農業用パーセルベクター化のための意味誘導型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）: 3.6139826652790865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agricultural parcel polygons play a fundamental role in geospatial applications such as precision agriculture, land administration, and crop monitoring. Beyond regular polygon geometry and low vertex redundancy, practical parcel maps should avoid topological conflicts and preserve common boundaries between adjacent fields. Yet this requirement remains largely unresolved: segmentation-based methods mainly produce parcel masks or raster boundary cues and rely on heuristic raster-to-vector conversion, instance- and contour-based methods reconstruct parcels independently, and recent vector-oriented methods improve polygon regularity but do not explicitly recover adjacent parcels from a shared topological structure. To address this gap, we propose a semantic-guided diffusion framework for topologically consistent agricultural parcel vectorization. It couples joint edge--vertex latent diffusion with supervised multi-cue conditioning to generate geometrically regularised parcel-boundary and vertex primitives while suppressing false-positive responses. A topology-aware parcel polygon reconstruction method then converts these primitives into regular polygons by reconstructing parcel faces from a common planar graph, enabling adjacent predicted parcels to reuse shared boundaries and avoid mutual interior intrusion. Extensive experiments on the AI4SmallFarms and iFLYTEK datasets evaluate parcel vectorization in terms of pixel-level coverage, geometric fidelity, object-level correctness, and topological consistency. The results show strong and competitive performance, with zero measured intrusion ratio and the highest shared-edge recall, demonstrating the potential of the proposed framework for accurate, regular, and topologically consistent agricultural parcel vectorization.
• Abstract（参考訳）: 農業用パーセルポリゴンは、精密農業、土地管理、作物モニタリングなどの地理空間的応用において基本的な役割を担っている。 正規多角形幾何と低頂点冗長性を超えて、実用的なパーセル写像は位相的衝突を避け、隣り合う場の共通境界を保存するべきである。 しかし、セグメンテーションに基づく手法は、主にパーセルマスクやラスター境界のキューを生成し、ヒューリスティックなラスター・ツー・ベクター変換に依存し、インスタンスおよびコンター・ベースの手法は、パーセルを独立に再構成し、最近のベクトル指向法はポリゴン規則性を向上するが、隣接するパーセルを共有トポロジカル構造から明示的に復元しない。 このギャップに対処するために、トポロジカルに一貫した農業用パーセルベクトル化のための意味誘導拡散フレームワークを提案する。 共役エッジ-頂点遅延拡散と教師付きマルチキュー条件を結合し、擬陽性応答を抑えながら幾何学的に規則化されたパーセル境界および頂点プリミティブを生成する。 位相認識型パーセルポリゴン再構成法では、これらのプリミティブを共通平面グラフからパーセル面を再構成することで正規ポリゴンに変換することにより、隣接した予測パーセルが共有境界を再利用し、相互の内部侵入を避けることができる。 AI4SmallFarmsとiFLYTEKデータセットの大規模な実験は、ピクセルレベルのカバレッジ、幾何学的忠実度、オブジェクトレベルの正確性、トポロジ的一貫性の観点から、パーセルベクトル化を評価する。 その結果, 正確な, 規則的, 位相的に整合した農業用パーセルベクトル化のためのフレームワークが提案される可能性を示した。

関連論文リスト

• A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
  本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。 MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。 合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-05-05T20:19:09Z)
• Curvature-Aware PCA with Geodesic Tangent Space Aggregation for Semi-Supervised Learning [52.452902154360565]
  GTSA-PCAは主成分分析の幾何学的拡張である。 曲率認識と測地的整合性を統合されたスペクトルフレームワークに統合する。 以上の結果から,GTSA-PCAは次元減少に対する統計的および幾何学的アプローチの原則的ブリッジとして位置づけられた。
  論文  参考訳（メタデータ） (2026-04-20T20:36:36Z)
• Trajectory-Restricted Optimization Conditions and Geometry-Aware Linear Convergence [0.764671395172401]
  局所化幾何正則性に基づく線形収束のための軌道制限フレームワークを開発する。 古典的な収束保証は、これらの局所的な条件の下で拡張されることを示す。 我々の研究は、能動集合や多様体の同定後の高速局所収束のための幾何学的定量化を提供する。
  論文  参考訳（メタデータ） (2026-04-18T17:02:06Z)
• Neural Approximation of Generalized Voronoi Diagrams [0.12744523252873352]
  VoroFields は、低次元領域における有限幾何学的サイト集合のボロノイ図形を近似するためのフレームワークである。 階層的な分解は、エンベロープ遷移層近傍のみを精製することによって複雑さを減少させる。
  論文  参考訳（メタデータ） (2026-03-27T20:13:13Z)
• Topology-Preserving Data Augmentation for Ring-Type Polygon Annotations [0.0]
  構造解析において、環型領域は外側と内側の境界を繋ぐ単一の環状ポリゴン鎖として符号化されることが多い。 本研究では,マスク空間におけるフロアプラン変換を行う秩序保存型ポリゴン拡張戦略を提案する。 実験により、このアプローチが接続性を確実に回復し、ほぼ完全なサイクル調整保存を実現することが示されている。
  論文  参考訳（メタデータ） (2026-03-16T02:53:37Z)
• Flatten The Complex: Joint B-Rep Generation via Compositional $k$-Cell Particles [22.846357150067927]
  B-Reps(Bundary Representation)は、CAD(Computer Design)およびAided Modelingにおいて広く採用されている標準である。 従来の方法は、この階層を扱うために配列に依存しており、細胞間の幾何学的関係を完全に活用できない。
  論文  参考訳（メタデータ） (2026-01-25T08:00:28Z)
• GFLAN: Generative Functional Layouts [1.1458853556386797]
  GFLANは、フロアプラン合成を明示的な因子化によって、トポロジカルプランニングと幾何学的実現に再構成する生成フレームワークである。 提案手法は,2段階分解の原理を優先して,直接画素間あるいは壁面追跡生成から逸脱する。
  論文  参考訳（メタデータ） (2025-12-18T07:52:47Z)
• GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
  テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。 本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-11-12T06:48:43Z)
• GMapLatent: Geometric Mapping in Latent Space [51.317738404571514]
  エンコーダ-デコーダAIアーキテクチャに基づくドメイン間の生成モデルは、現実的な画像の生成に大きな注目を集めている。 幾何学的マッピングに基づく正準潜在空間表現を導入し、領域間潜在空間を厳密かつ正確に整列する。 グレースケールおよびカラー画像の実験は、GMapLatentの有効性、有効性および適用性を検証する。
  論文  参考訳（メタデータ） (2025-03-30T12:02:36Z)
• HierRelTriple: Guiding Indoor Layout Generation with Hierarchical Relationship Triplet Losses [52.70183252341687]
  本稿では,空間的関係学習に着目した階層型三重項に基づく屋内関係学習手法HierRelTripleを提案する。 階層型リレーショナル三重項モデリングフレームワークであるHierRelTripleを導入する。 非条件レイアウト合成、フロアプラン条件付きレイアウト生成、シーン再構成の実験により、HierRelは空間関係のメトリクスを15%以上改善することを示した。
  論文  参考訳（メタデータ） (2025-03-26T07:31:52Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端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） (2022-06-06T05:12:48Z)

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。