論文の概要: Monitoring War Destruction from Space: A Machine Learning Approach
- arxiv url: http://arxiv.org/abs/2010.05970v2
- Date: Wed, 14 Oct 2020 03:47:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 06:24:36.804873
- Title: Monitoring War Destruction from Space: A Machine Learning Approach
- Title(参考訳): 宇宙からの戦争破壊のモニタリング: 機械学習アプローチ
- Authors: Hannes Mueller, Andre Groger, Jonathan Hersh, Andrea Matranga and Joan
Serrat
- Abstract要約: 紛争地帯における建物破壊に関する既存のデータは、目撃者の報告や手動による検出に依存している。
本稿では,ディープラーニング技術を用いた高解像度衛星画像の自動破壊計測手法を提案する。
我々は、シリア内戦と国内の主要都市における被害の進展にこの方法を適用した。
- 参考スコア(独自算出の注目度): 1.0149624140985478
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing data on building destruction in conflict zones rely on eyewitness
reports or manual detection, which makes it generally scarce, incomplete and
potentially biased. This lack of reliable data imposes severe limitations for
media reporting, humanitarian relief efforts, human rights monitoring,
reconstruction initiatives, and academic studies of violent conflict. This
article introduces an automated method of measuring destruction in
high-resolution satellite images using deep learning techniques combined with
data augmentation to expand training samples. We apply this method to the
Syrian civil war and reconstruct the evolution of damage in major cities across
the country. The approach allows generating destruction data with unprecedented
scope, resolution, and frequency - only limited by the available satellite
imagery - which can alleviate data limitations decisively.
- Abstract(参考訳): 紛争地帯の破壊に関する既存のデータは目撃者の報告や手動による検出に依存しており、一般的には不足し、不完全であり、潜在的に偏りがある。
この信頼できるデータの欠如は、メディア報道、人道支援活動、人権監視、復興活動、暴力的紛争に関する学術研究に厳しい制限を課している。
本稿では、深層学習技術とデータ拡張を組み合わせた高解像度衛星画像の自動破壊計測手法を提案する。
我々はこの方法をシリア内戦に適用し、国内の主要都市における被害の進展を再構築する。
このアプローチにより、前例のない範囲、解像度、周波数(利用可能な衛星画像によってのみ制限される)で破壊データを生成することができ、データ制限を決定的に緩和することができる。
関連論文リスト
- Re-thinking Data Availablity Attacks Against Deep Neural Networks [53.64624167867274]
本稿では、未学習例の概念を再検討し、既存のロバストな誤り最小化ノイズが不正確な最適化目標であることを示す。
本稿では,計算時間要件の低減による保護性能の向上を図った新しい最適化パラダイムを提案する。
論文 参考訳(メタデータ) (2023-05-18T04:03:51Z) - 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) - Deep Domain Adaptation for Detecting Bomb Craters in Aerial Images [0.0]
UXO(Unexploded Ordnance)は、人間の生命と環境にとって重大な危険である。
現在の手動分析プロセスは高価で時間を要する。
ディープラーニングはUXO処理を改善するための有望な方法です。
論文 参考訳(メタデータ) (2022-09-22T20:25:25Z) - 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) - 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) - Towards Adversarially Robust Deep Image Denoising [199.2458715635285]
本研究は,ディープ・イメージ・デノイザ(DID)の対角的ロバスト性について系統的に検討する。
本稿では,観測に基づくゼロ平均アタック(sc ObsAtk)という新たな敵攻撃を提案する。
DIDを頑健化するために,DIDと非対向雑音データとを併用したハイブリッド対向訓練(sc HAT)を提案する。
論文 参考訳(メタデータ) (2022-01-12T10:23:14Z) - Dataset Security for Machine Learning: Data Poisoning, Backdoor Attacks,
and Defenses [150.64470864162556]
この作業は体系的に分類され、幅広いデータセット脆弱性とエクスプロイトを議論する。
様々な毒とバックドアの脅威モデルとそれらの関係を記述することに加えて,それらの統一分類法を展開する。
論文 参考訳(メタデータ) (2020-12-18T22:38:47Z) - Human-in-the-Loop Imitation Learning using Remote Teleoperation [72.2847988686463]
6-DoF操作設定に合わせたデータ収集システムを構築します。
システムによって収集された新しいデータに基づいて,ポリシーを反復的にトレーニングするアルゴリズムを開発した。
介入型システムで収集したデータに基づいて訓練されたエージェントと、非介入型デモ参加者が収集した同等数のサンプルで訓練されたアルゴリズムを上回るエージェントを実証する。
論文 参考訳(メタデータ) (2020-12-12T05:30:35Z) - Assessing Post-Disaster Damage from Satellite Imagery using
Semi-Supervised Learning Techniques [15.264481724699456]
本稿では,損傷評価のためのトレーニングモデルに対する半教師付き学習(SSL)の新たな応用について述べる。
我々は、MixMatchやFixMatchといった最先端のSSLメソッドのパフォーマンスを、2010年のハイチ地震、2017年のサンタローザ山火事、2016年のシリアにおける武装紛争の監視ベースラインと比較する。
ラベル付きデータが少ないにもかかわらず、SSLメソッドでトレーニングされたモデルが完全に教師付きパフォーマンスを実現する方法を示す。
論文 参考訳(メタデータ) (2020-11-24T22:26:14Z) - Learning from Multimodal and Multitemporal Earth Observation Data for
Building Damage Mapping [17.324397643429638]
我々は、損傷マッピングを構築するためのグローバルなマルチセンサとマルチテンポラルデータセットを開発した。
グローバルデータセットには、高解像度の光学画像と高解像度のマルチバンドSARデータが含まれている。
我々は、深層畳み込みニューラルネットワークアルゴリズムに基づいて、損傷建物の意味的セグメンテーションのための損傷マッピングフレームワークを定義した。
論文 参考訳(メタデータ) (2020-09-14T05:04:19Z) - 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。