論文の概要: Automatic Quantification of Settlement Damage using Deep Learning of Satellite Images

• arxiv url: http://arxiv.org/abs/2010.05512v1
• Date: Mon, 12 Oct 2020 08:06:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 06:16:13.981323
• Title: Automatic Quantification of Settlement Damage using Deep Learning of Satellite Images
• Title（参考訳）: 衛星画像の深層学習による沈下損傷の自動定量化
• Authors: Lili Lu, Weisi Guo
• Abstract要約: 我々は、大危機前後の衛星画像を用いて、ロバストなベースラインResidual Network(ResNet)と災害定量化ピラミッドシーンパーシングネットワーク(PSPNet)を訓練する。 ResNetは画像品質の低さに対して堅牢性を提供し、高い精度(92%)で破壊領域を特定することができる。 深層学習と回帰モデリングを併用したシステムを検証するため,2020年のベイルート港爆発の回復を予測した。
• 参考スコア（独自算出の注目度）: 6.433998562382156
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanitarian disasters and political violence cause significant damage to our living space. The reparation cost to homes, infrastructure, and the ecosystem is often difficult to quantify in real-time. Real-time quantification is critical to both informing relief operations, but also planning ahead for rebuilding. Here, we use satellite images before and after major crisis around the world to train a robust baseline Residual Network (ResNet) and a disaster quantification Pyramid Scene Parsing Network (PSPNet). ResNet offers robustness to poor image quality and can identify areas of destruction with high accuracy (92\%), whereas PSPNet offers contextualised quantification of built environment damage with good accuracy (84\%). As there are multiple damage dimensions to consider (e.g. economic loss and fatalities), we fit a multi-linear regression model to quantify the overall damage. To validate our combined system of deep learning and regression modeling, we successfully match our prediction to the ongoing recovery in the 2020 Beirut port explosion. These innovations provide a better quantification of overall disaster magnitude and inform intelligent humanitarian systems of unfolding disasters.
• Abstract（参考訳）: 人道的災害や政治的暴力は我々の生活空間に大きな損害を与えます。 住宅、インフラ、生態系に対する賠償費用は、リアルタイムで定量化することがしばしば困難である。 リアルタイムの定量化は救援活動だけでなく、再建計画にも不可欠である。 ここでは,世界の大危機前後の衛星画像を用いて,ロバストなベースラインResidual Network (ResNet) と災害定量化Praamid Scene Parsing Network (PSPNet) を訓練する。 ResNetは画像品質の低さに対して堅牢性を提供し、高い精度で破壊領域を識別する(92\%)一方、PSPNetはビルド環境の損傷の文脈的定量化を精度良く行う(84\%)。 複数の損傷次元(経済損失や死亡率など)があるので、全体的な損傷を定量化するために、マルチリニア回帰モデルに適合する。 深層学習と回帰モデルを組み合わせたシステムの有効性を検証するため,2020年のベイルート港爆発の回復を予測した。 これらの革新は、災害の規模をより正確に定量化し、災害を拡大するインテリジェントな人道システムに通知する。

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)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• Understanding Reconstruction Attacks with the Neural Tangent Kernel and Dataset Distillation [110.61853418925219]
  我々は、データセット再構築攻撃のより強力なバージョンを構築し、無限の幅で設定されたエンペントリアルトレーニングを確実に回復する方法を示す。 理論的にも経験的にも再構成された画像は、データセットの「外部」に傾向を示す。 これらのリコンストラクション攻撃は, テクストデータセット蒸留において, 再構成画像上で再トレーニングを行い, 高い予測精度を得ることができる。
  論文  参考訳（メタデータ） (2023-02-02T21:41:59Z)
• Interpretability in Convolutional Neural Networks for Building Damage Classification in Satellite Imagery [0.0]
  我々は、プレサスタ衛星画像とポストサスタ衛星画像とをラベル付けしたデータセットを使用して、建物ごとの損傷を評価する。 複数の畳み込みニューラルネットワーク(CNN)をトレーニングし、建物ごとの損傷を評価する。 我々の研究は、人為的気候変動による人道的危機の進行に、計算的に貢献することを目指している。
  論文  参考訳（メタデータ） (2022-01-24T16:55:56Z)
• PreDisM: Pre-Disaster Modelling With CNN Ensembles for At-Risk Communities [0.32228025627337864]
  本稿では,ResNetのアンサンブルと決定木上の完全連結層を用いて人造構造物の弱点を正確に推定するPreDisMを提案する。 本モデルは,災害のタイプをまたいだ調整に応答し,プリエンプティブ・ハザード・ダメージ・モデリングの空間を浮き彫りにする。
  論文  参考訳（メタデータ） (2021-12-26T23:48:23Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• 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)
• 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)
• Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
  我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。 物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。 この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
  論文  参考訳（メタデータ） (2020-10-16T02:15:34Z)
• 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)
• An Attention-Based System for Damage Assessment Using Satellite Imagery [18.43310705820528]
  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。
  論文  参考訳（メタデータ） (2020-04-14T16:37:55Z)

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。