論文の概要: An Attention-Based System for Damage Assessment Using Satellite Imagery
- arxiv url: http://arxiv.org/abs/2004.06643v1
- Date: Tue, 14 Apr 2020 16:37:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 09:48:49.347458
- Title: An Attention-Based System for Damage Assessment Using Satellite Imagery
- Title(参考訳): 衛星画像を用いたアテンションベース損傷評価システム
- Authors: Hanxiang Hao, Sriram Baireddy, Emily R. Bartusiak, Latisha Konz, Kevin
LaTourette, Michael Gribbons, Moses Chan, Mary L. Comer, Edward J. Delp
- Abstract要約: 本稿では,建物の損傷レベルを評価するため,Siam-U-Net-Attnモデルを提案する。
大規模建物被害評価データセットである xView2 上で提案手法の評価を行い,提案手法が正確な被害規模分類と建物分割を同時に達成できることを実証した。
- 参考スコア(独自算出の注目度): 18.43310705820528
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When disaster strikes, accurate situational information and a fast, effective
response are critical to save lives. Widely available, high resolution
satellite images enable emergency responders to estimate locations, causes, and
severity of damage. Quickly and accurately analyzing the extensive amount of
satellite imagery available, though, requires an automatic approach. In this
paper, we present Siam-U-Net-Attn model - a multi-class deep learning model
with an attention mechanism - to assess damage levels of buildings given a pair
of satellite images depicting a scene before and after a disaster. We evaluate
the proposed method on xView2, a large-scale building damage assessment
dataset, and demonstrate that the proposed approach achieves accurate damage
scale classification and building segmentation results simultaneously.
- Abstract(参考訳): 災害時、正確な状況情報と迅速な効果的な対応が命を救うために重要である。
広く利用可能な高解像度の衛星画像により、緊急対応者が位置、原因、損傷の深刻度を推定できる。
しかし、衛星画像の膨大な量を迅速かつ正確に分析するには、自動的なアプローチが必要だ。
そこで,本稿では,災害前後の現場を1対の衛星画像で表現した建物の被害度を評価するために,注意機構を備えた多層深層学習モデルであるsiam-u-net-attnモデルを提案する。
大規模建物被害評価データセットであるxview2における提案手法を評価し,提案手法が被害規模分類と建物区分結果を同時に達成できることを実証する。
関連論文リスト
- Causality-informed Rapid Post-hurricane Building Damage Detection in
Large Scale from InSAR Imagery [6.331801334141028]
ハリケーンによる建物被害のタイムリーかつ正確な評価は、ハリケーン後の効果的な応答と復旧に不可欠である。
近年,リモートセンシング技術は,災害発生直後の大規模光合成開口レーダ(InSAR)画像データを提供する。
これらのInSAR画像は、しばしば、人為的活動と同様に、建物損傷、洪水・風による植生変化、および建物損傷の同時発生または同時発生によって引き起こされる、非常に騒々しく混ざった信号を含んでいる。
本稿では,InSAR画像からハリケーン後の建物被害の迅速検出手法を提案する。
論文 参考訳(メタデータ) (2023-10-02T18:56:05Z) - 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) - Multi-view deep learning for reliable post-disaster damage
classification [0.0]
本研究は,人工知能(AI)と多視点画像を用いた,より信頼性の高い建築損傷分類を実現することを目的とする。
提案モデルでは, ハリケーン・ハーヴェイに続き, 調査対象の建物について, 専門家ラベル付きジオタグ付き画像を含む偵察視覚データセットを訓練し, 検証した。
論文 参考訳(メタデータ) (2022-08-06T01:04:13Z) - Adversarially-Aware Robust Object Detector [85.10894272034135]
本稿では,ロバスト検出器 (RobustDet) を提案する。
本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
論文 参考訳(メタデータ) (2022-07-13T13:59:59Z) - Fully convolutional Siamese neural networks for buildings damage
assessment from satellite images [1.90365714903665]
自然災害後の被害評価は、災害から回復するための援助と力を最適に分配するために必要である。
本研究では,災害前後における同地域の衛星画像の自動比較のための計算手法を開発した。
我々は、広範囲にわたるアブレーション研究を含み、異なるエンコーダ、デコーダ、損失関数、拡張、および2つの画像を組み合わせるいくつかの方法を比較する。
論文 参考訳(メタデータ) (2021-10-31T14:18:59Z) - Post-Hurricane Damage Assessment Using Satellite Imagery and Geolocation
Features [0.2538209532048866]
本研究では,被災地の衛星画像と位置情報を活用し,災害後の被害建物を識別する混合データ手法を提案する。
この手法は、2017年のヒューストン大都市圏におけるハリケーン・ハーベイのケーススタディに基づいて、画像のみを用いて同様の作業を行うことで大幅に改善した。
本研究では,画像特徴に付加的な情報を提供するために位置情報機能の創造的な選択を行ったが,ドメイン知識や災害の種類に応じて,イベントの物理的挙動をモデル化するための他の機能を含めることはユーザ次第である。
論文 参考訳(メタデータ) (2020-12-15T21:30:19Z) - Assessing out-of-domain generalization for robust building damage
detection [78.6363825307044]
建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。
モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。
今後はOOD体制に重点を置くべきだと我々は主張する。
論文 参考訳(メタデータ) (2020-11-20T10:30:43Z) - Cross-directional Feature Fusion Network for Building Damage Assessment
from Satellite Imagery [26.767229623170497]
衛星画像からの損傷評価は、効果的な応答を行う前に重要となる。
本稿では,事前画像と事後画像の相関関係をよりよく解明するための,新たな双方向融合戦略を提案する。
提案手法は,大規模建物被害評価データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2020-10-27T02:49:52Z) - Fusion of Deep and Non-Deep Methods for Fast Super-Resolution of
Satellite Images [54.44842669325082]
本研究は,超解像(SR)による画質向上により,画質と価格のギャップを埋めることを提案する。
低解像度画像の各パッチの地域情報内容を解析するSRフレームワークを設計する。
本研究では,既存の深部SR法と同等の性能を示しながら,推定時間を大幅に減少させることを示した。
論文 参考訳(メタデータ) (2020-08-03T13:55:39Z) - MSNet: A Multilevel Instance Segmentation Network for Natural Disaster
Damage Assessment in Aerial Videos [74.22132693931145]
本研究では, ハリケーン, 洪水, 火災などの自然災害後の建物被害を効率的に評価する課題について検討する。
最初のコントリビューションは、ソーシャルメディアからユーザ生成された空中ビデオと、インスタンスレベルのビルディング損傷マスクのアノテーションで構成される、新しいデータセットである。
第二のコントリビューションはMSNetと呼ばれる新しいモデルで、新しい領域の提案ネットワーク設計を含んでいる。
論文 参考訳(メタデータ) (2020-06-30T02:23:05Z) - RescueNet: Joint Building Segmentation and Damage Assessment from
Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。
RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文 参考訳(メタデータ) (2020-04-15T19:52:09Z)
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。