Fugu-MT 論文翻訳(概要): An Attention-Based System for Damage Assessment Using Satellite Imagery

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

Multi-step feature fusion for natural disaster damage assessment on satellite images [0.0]
複数のネットワークレベルで機能融合を行う新しい畳み込みニューラルネットワーク(CNN)モジュールを導入する。イメージペアの分析にCNNモデルを適用するために、追加のネットワーク要素であるFuse Moduleが提案された。視覚変換器モデルの精度は3ポイント以上向上した。
論文参考訳（メタデータ） (2024-10-29T09:47:32Z)
Weakly-supervised Camera Localization by Ground-to-satellite Image Registration [52.54992898069471]
本稿では,地対衛星画像登録のための弱教師付き学習戦略を提案する。地上画像ごとに正の衛星画像と負の衛星画像を導き出す。また,クロスビュー画像の相対回転推定のための自己超越戦略を提案する。
論文参考訳（メタデータ） (2024-09-10T12:57:16Z)
Towards Efficient Disaster Response via Cost-effective Unbiased Class Rate Estimation through Neyman Allocation Stratified Sampling Active Learning [11.697034536189094]
本稿では,二分分類のためのランダムサンプリング木を構築する革新的なアルゴリズムを提案する。その結果,本手法は受動的および従来の能動的学習手法を超越していることが判明した。従来のアクティブな学習戦略における「サンプルバイアス」の課題に効果的に対処する。
論文参考訳（メタデータ） (2024-05-28T01:34:35Z)
DeepDamageNet: A two-step deep-learning model for multi-disaster building damage segmentation and classification using satellite imagery [12.869300064524122]
本稿では, 損傷評価, セグメンテーション, 分類において, ディープラーニングモデルによる2つの重要な課題を遂行するソリューションを提案する。我々の最良のモデルは、建物識別セマンティックセグメンテーション畳み込みニューラルネットワーク(CNN)と建物損傷分類CNNを組み合わせ、合計F1スコアは0.66である。本モデルでは比較的精度の高い建物を同定することができたが,災害タイプによる被害の分類は困難であることが判明した。
論文参考訳（メタデータ） (2024-05-08T04:21:03Z)
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)
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)
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。