مقاله یادگیری چند حالته برای تشخیص مناطق کاربردی شهری با استفاده از تصویر سنجش از دور و اطلاعات چند منظوره

چکیده

Urban area-of-interest (AOI) refers to an integrated urban functional zone with defined boundaries. The rapid development of urban commerce has resulted in an increased demand for more precise requirements in defining AOIs. However, existing research primarily concentrates on broad AOI mining for urban planning or regional economic analysis, failing to cater to the precise requirements of mobile Internet online-to-offline businesses. These businesses necessitate accuracy down to a specific community, school, or hospital. In this paper, we propose an end-to-end multimodal deep learning algorithm for detecting AOI fence polygon using remote sensing images and multi-semantics reference information. We then evaluate its timeliness through a cascaded module that incorporates dynamic human mobility and logistics address information. Specifically, we begin by selecting a point-of-interest (POI) of specific category, and use it to recall corresponding remote sensing images, nearby POIs, road nodes, human mobility, and logistics addresses to build a multimodal detection model based on transformer encoder-decoder architecture, titled AOITR. In the model, in addition to the remote sensing images, multi-semantic information including core POI and road nodes is embedded and reorganized as the query content part for the transformer decoder to generate the AOI polygon. Meanwhile, relatively dynamic distribution features of human mobility, nearby POIs, and logistics addresses are used for AOI reliability evaluation through a cascaded feedforward network. The experimental results demonstrate that our algorithm significantly outperforms two existing methods.

چکیده به فارسی (ترجمه ماشینی)

منطقه منافع شهری (AOI) به یک منطقه کاربردی یکپارچه شهری با مرزهای تعریف شده اشاره دارد.توسعه سریع تجارت شهری منجر به افزایش تقاضا برای نیازهای دقیق تر در تعریف AOIS شده است.با این حال ، تحقیقات موجود در درجه اول در استخراج گسترده AOI برای برنامه ریزی شهری یا تجزیه و تحلیل اقتصادی منطقه ای متمرکز است ، و نتوانسته است از نیازهای دقیق مشاغل اینترنتی موبایل به صورت آنلاین و به صورت آنلاین استفاده کند.این مشاغل نیاز به صحت یک جامعه ، مدرسه یا بیمارستان خاص دارند.در این مقاله ، ما یک الگوریتم یادگیری عمیق چند حالته را برای تشخیص چند ضلعی حصار AOI با استفاده از تصاویر سنجش از راه دور و اطلاعات مرجع چند منظوره پیشنهاد می کنیم.سپس به موقع بودن آن را از طریق یک ماژول آبشار که شامل تحرک پویا انسانی و اطلاعات آدرس لجستیک است ، ارزیابی می کنیم.به طور خاص ، ما با انتخاب یک نقطه منافع (POI) از دسته خاص شروع می کنیم و از آن برای یادآوری تصاویر سنجش از دور مربوطه ، POI های نزدیک ، گره های جاده ای ، تحرک انسان و آدرس های تدارکات برای ساختن یک مدل تشخیص چند حالته بر اساس ترانسفورماتور استفاده می کنیم.معماری رمزگذار-ادویه ، با عنوان Aoitr.در این مدل ، علاوه بر تصاویر سنجش از راه دور ، اطلاعات چند منظوره از جمله Core POI و گره های جاده ای تعبیه شده و به عنوان قسمت پرس و جو برای رمزگذار ترانسفورماتور برای تولید چند ضلعی AOI سازماندهی و سازماندهی می شوند.در همین حال ، ویژگی های توزیع نسبتاً پویا تحرک انسان ، POI های اطراف و آدرس های تدارکات برای ارزیابی قابلیت اطمینان AOI از طریق یک شبکه تغذیه ای آبشار استفاده می شود.نتایج تجربی نشان می دهد که الگوریتم ما به طور قابل توجهی از دو روش موجود بهتر است.