New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

Sign up for GitHub

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

Jump to bottom

An unsupervised approach to geographical knowledge　discovery using street level and street network images #16

Open

KenichiSasaki opened this issue Nov 9, 2019 · 0 comments

Labels

ComputerVision Machine Learning Method

Collaborator

KenichiSasaki commented Nov 9, 2019

概要

アルゴリズム論文(2019)
StreetMapと地図画像をCAE(自己符号化器)を用いて次元圧縮したのちにPCAをかけ，教師なし学習で潜在的な地形情報？を学習することを目的とする
PCAをかけた後に特徴量空間でノイズを増減させ，学習量を可視化

アルゴリズム

CAEを用いて256×256 pixelの画像を64×64に圧縮
PCAで次元削減
各コンポーネントごとに値の大小を異なる画像を作図して意味を類推
それぞれのコンポーネントを用いて都市のUrbanityや道の開放度をニューラルネットを用いて予測

実装

StreetMapと地図画像はGoogleMap，Openstreetmapをそれぞれ使用，前者はロンドン，後者は世界の主要都市110000箇所から抽出
都市のUrbanityや道の密度をPCAから可視化
MLPでの予測は精度7割程度，Street closeness centralityの予測はうまくいかず

所感

PCA後に特徴量空間でノイズを増減させてから可視化することで各コンポーネントでの特徴を理解する発想は面白い，多くのアプリケーションがありそう
ここで可視化/分類できたのは都市のUrbanityや道路の密度のみで詳細なGeographical Knowledgeの取得は難しい
- 著者も述べているが，ラベル済みのデータとコンポーネント成分を比較することでより詳細な意味を理解できる可能性がある
PCA後の解釈は人間によって行われているため，大まかな傾向しかつかめていない，解釈をいかにするかはComputer Visionにおいて大きな課題のよう

KenichiSasaki added ComputerVision Machine Learning Method labels

Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment