論文の概要: Building age estimation based on widely available multi-source1 geospatial data
- arxiv url: http://arxiv.org/abs/2610.16320v1
- Date: Mon, 12 Oct 2026 07:42:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-19 06:28:04.475268
- Title: Building age estimation based on widely available multi-source1 geospatial data
- Title（参考訳）: 広く利用可能なマルチソース1地理空間データに基づく建築年代推定
- Abstract要約: 建設年齢は、構造物の安全性と持続可能な開発に直接影響を及ぼすため、都市インフラの安全、運営、計画に欠かせない。
既存の手法は主に光学画像と局所テクスチャの特徴に依存しており、構造情報を捉え、異なる時代の建物を区別する能力を制限する。
本稿では,広く利用可能なマルチソース地理空間データを用いたマルチビルディング年齢推定のための,最初のディープラーニング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）: 15.397545552181994
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Building age is fundamental for urban infrastructure safety, operation, and planning, as it directly affects structural safety, and sustainable development. Existing methods mostly rely on detailed building information such as street view, function, or materials, which are harder to obtain than geospatial data like satellite imagery and Digital Surface Models (DSMs). However, existing methods based on those geospatial data mainly rely on optical imagery and local texture features, limiting their ability to capture structural information and distinguish buildings from different periods. Moreover, the inherent temporal ordering among building age categories is often overlooked. To address these limitations, we propose the first deep-learning framework for multi-building age estimation using widely available multi-source geospatial data, including remote sensing data and their derived products, as well as building footprint information that estimates age at both pixel and instance levels within a unified pipeline. Specifically, a large pretrained backbone with fine-tuning adapters extracts representative features, and raster-derived and property-derived fusion modules support pixel-wise and instance-wise predictions. Pixel-level estimation employs a pyramid decoder with Cosine-guided Mixture-of-Experts (CMoE) to fuse multi-source raster data across scales, capturing fine-grained building age differences, while instance-level prediction uses attention pooling and Property-Conditional Adaptive Instance Normalization (PCAdaIN) to extract instance-level representations and integrate property attributes. A Temporal Ordinal Constraint Loss (TOCL) enforces the sequential ordering of predicted ages. We also construct a building age benchmark for Hong Kong to enable comprehensive evaluation. The source code and datasets are available at https://github.com/littlebeen/RS-buildingAge.git.
- Abstract（参考訳）: 建設年齢は、構造物の安全性と持続可能な開発に直接影響を与えるため、都市インフラの安全、運営、計画に欠かせない。
既存の手法は主にストリートビュー、機能、材料などの詳細な建築情報に依存しており、衛星画像やデジタル表面モデル(DSM)のような地理空間データよりも入手が難しい。
しかし、これらの地理空間データに基づく既存の手法は主に光学画像と局所テクスチャの特徴に依存しており、構造情報を捕捉し、異なる時代の建物を区別する能力を制限している。
さらに、建築年齢区分の時間的順序は見過ごされがちである。
これらの制約に対処するために,リモートセンシングデータとその派生製品を含む,広く利用可能なマルチソース地理空間データを用いたマルチビルディング年齢推定のための,最初のディープラーニングフレームワークを提案する。
具体的には、微調整アダプタを備えた大きな事前訓練されたバックボーンが代表的特徴を抽出し、ラスタ由来およびプロパティ由来の融合モジュールは画素ワイドおよびインスタンスワイドの予測をサポートする。
画素レベルの推定には、Cosine-Guided Mixture-of-Experts (CMoE) を用いたピラミッドデコーダを使用し、スケールにわたって複数のソースラスタデータを融合し、きめ細かな構築年齢差を捉え、インスタンスレベルの予測では、注目プーリングとプロパティ-Conditional Adaptive Instance Normalization (PCAdaIN) を使用して、インスタンスレベルの表現を抽出し、プロパティ属性を統合する。
時間的順序制約損失(TOCL)は、予測年齢の逐次順序を強制する。
また、網羅的な評価を可能にするため、香港の建築年代ベンチマークを構築した。
ソースコードとデータセットはhttps://github.com/littlebeen/RS-buildAge.gitで公開されている。
関連論文リスト
- GEOID-Flood: A Large-Scale Multi-Modal Benchmark Dataset for Flood Segmentation [2.1603212842899304]
大規模なマルチモーダル洪水セグメンテーションベンチマークであるGEOID-Floodを導入し、10年間で65か国219のイベントにまたがった。
我々は,従来のエンコーダに対して,単一画像,マルチテンポラル,マルチモーダルプロトコルを用いた基礎モデルの評価を行った。
基礎モデルは、一貫性はあるが控えめな優位性、微調整による光-SAR融合は、過渡的な洪水を解消し、GEOID-Floodで訓練されたモデルは、既存のデータセットで訓練されたものよりも、目に見えないイベントへ移行する。
論文 参考訳（メタデータ） (2026-08-03T14:38:45Z) - GeoMamba: A Geometry-driven MambaVision Framework and Dataset for Fine-grained Optical-SAR Object Retrieval [54.741349848771144]
GeoMambaは光学SAR微細検索のための幾何学駆動フレームワークである。
GFIモジュールは、クロスモーダルな機能相互作用を強化し、構造的な事前を組み込む。
GeoMambaは既存の手法を上回り、全検索環境で63.3% mAPと77.0% Rank-1の精度を達成した。
論文 参考訳（メタデータ） (2026-05-19T12:08:09Z) - Tracing the Roots: A Multi-Agent Framework for Uncovering Data Lineage in Post-Training LLMs [81.43302841109349]
学習後のデータは、大規模言語モデル(LLM)の機能を形成する上で重要な役割を果たす
本稿では,データセット開発における進化グラフを再構築する自動マルチエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-12T06:24:07Z) - It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。
我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。
静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
論文 参考訳（メタデータ） (2026-02-12T16:31:01Z) - Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。
Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。
高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
論文 参考訳（メタデータ） (2025-10-27T03:52:45Z) - Synthetic Data Matters: Re-training with Geo-typical Synthetic Labels for Building Detection [13.550020274133866]
対象地域の都市配置に合わせた合成データを用いて,テスト時に再学習モデルを提案する。
対象地域の都市構造を忠実に再現する地球型合成データを生成する。
実験では、ドメインギャップに応じて、パフォーマンスが大幅に向上し、中央値の12%が改善された。
論文 参考訳（メタデータ） (2025-07-22T14:53:13Z) - OpenFACADES: An Open Framework for Architectural Caption and Attribute Data Enrichment via Street View Imagery [9.111872424676617]
この研究は,クラウドソースデータを活用したオープンなフレームワークであるOpenFACADESを導入して,そのギャップを埋めるものである。
パノラマ画像におけるファサードの自動検出と、オブジェクトを全体的視点のビューに変換するための再投影アプローチの調整を行う。
第3に、マルチ属性予測とオープン語彙キャプションのためのオープンソースの大規模視覚言語モデル(VLM)の機能を活用し、検討する革新的なアプローチを導入する。
論文 参考訳（メタデータ） (2025-04-01T08:20:13Z) - CMAB: A First National-Scale Multi-Attribute Building Dataset in China Derived from Open Source Data and GeoAI [1.3586572110652484]
本稿では,3,667の空間都市,2,900万の建物,213億平方メートルの屋上を対象とする全国規模のマルチアトリビュート・ビルディング・データセット(CMAB)について述べる。
何十億もの高解像度のGoogle Earth画像と6000万のストリートビュー画像(SVI)を使って、各ビルの屋上、高さ、機能、年齢、品質特性を生成しました。
我々のデータセットと結果は、グローバルSDGと都市計画にとって不可欠である。
論文 参考訳（メタデータ） (2024-08-12T02:09:25Z) - Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。
本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
論文 参考訳（メタデータ） (2023-01-04T05:19:33Z) - 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) - Deep residential representations: Using unsupervised learning to unlock
elevation data for geo-demographic prediction [0.0]
LiDAR技術は、都市景観と農村景観の詳細な3次元標高マップを提供するために利用することができる。
現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。
我々は、このデータの適合性は、独自のだけでなく、人口統計学的特徴と組み合わせたデータの源でもあると考え、埋め込みの現実的なユースケースを提供する。
論文 参考訳（メタデータ） (2021-12-02T17:10:52Z)
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。