論文の概要: Post-Hurricane Damage Assessment Using Satellite Imagery and Geolocation Features

• arxiv url: http://arxiv.org/abs/2012.08624v1
• Date: Tue, 15 Dec 2020 21:30:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-07 07:57:10.939120
• Title: Post-Hurricane Damage Assessment Using Satellite Imagery and Geolocation Features
• Title（参考訳）: 衛星画像と位置特徴を用いたハリケーン後被害評価
• Authors: Quoc Dung Cao and Youngjun Choe
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.2538209532048866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gaining timely and reliable situation awareness after hazard events such as a hurricane is crucial to emergency managers and first responders. One effective way to achieve that goal is through damage assessment. Recently, disaster researchers have been utilizing imagery captured through satellites or drones to quantify the number of flooded/damaged buildings. In this paper, we propose a mixed data approach, which leverages publicly available satellite imagery and geolocation features of the affected area to identify damaged buildings after a hurricane. The method demonstrated significant improvement from performing a similar task using only imagery features, based on a case study of Hurricane Harvey affecting Greater Houston area in 2017. This result opens door to a wide range of possibilities to unify the advancement in computer vision algorithms such as convolutional neural networks and traditional methods in damage assessment, for example, using flood depth or bare-earth topology. In this work, a creative choice of the geolocation features was made to provide extra information to the imagery features, but it is up to the users to decide which other features can be included to model the physical behavior of the events, depending on their domain knowledge and the type of disaster. The dataset curated in this work is made openly available (DOI: 10.17603/ds2-3cca-f398).
• Abstract（参考訳）: 緊急管理者や第一対応者にとって、ハリケーンなどの危険イベント後のタイムリーで信頼性の高い状況認識を得ることが不可欠である。 その目標を達成する効果的な方法の1つは、損害評価である。 近年、災害研究者は、衛星やドローンで捉えた画像を利用して、浸水・損傷した建物の数を定量化している。 本稿では,被災地の衛星画像と位置情報を利用して,ハリケーン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。 この結果は、畳み込みニューラルネットワークや従来の損傷評価手法(例えば、洪水深度や裸地トポロジー)のようなコンピュータビジョンアルゴリズムの進歩を統一する幅広い可能性への扉を開く。 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。 この研究でキュレートされたデータセットは、オープンに利用可能である(doi: 10.17603/ds2-3cca-f398)。

関連論文リスト

• Generalizable Disaster Damage Assessment via Change Detection with Vision Foundation Model [17.016411785224317]
  本稿では, DAVI(Disaster Assessment with VIsion foundation model)を提案する。 DAVIは、ソース領域でトレーニングされたモデルからイメージセグメンテーション基礎モデルにタスク固有の知識を統合し、ターゲット領域の損傷の可能性を示す擬似ラベルを生成する。 次に、ピクセルと全体像の両方をターゲットとした2段階の精細化プロセスを使用して、災害現場におけるより正確に変化を特定します。
  論文  参考訳（メタデータ） (2024-06-12T09:21:28Z)
• Utilizing Post-Hurricane Satellite Imagery to Identify Flooding Damage with Convolutional Neural Networks [0.0]
  本稿では,建築のハリケーン後の衛星画像を洪水・被害・被害と分類するために,畳み込みニューラルネットワークによる深層学習を導入するという考え方をさらに深めた。 実験は、2017年のハリケーン・ハーベイの後、ヒューストン大都市圏のハリケーン後の衛星画像を含むデータセットを用いて行われた。
  論文  参考訳（メタデータ） (2022-09-05T20:12:39Z)
• 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)
• Detecting Damage Building Using Real-time Crowdsourced Images and Transfer Learning [53.26496452886417]
  本稿では,Twitterなどのソーシャルメディアプラットフォームから地震後の建物画像を自動的に抽出する手法を提案する。 トランスファーラーニングと6500枚の手動ラベル付き画像を用いて,現場に損傷のある建物を画像として認識する深層学習モデルを訓練した。 訓練されたモデルは、異なる場所で新たに取得した地震の画像でテストし、トルコのM7.0地震の後、Twitterのフィードでほぼリアルタイムで実行された。
  論文  参考訳（メタデータ） (2021-10-12T06:31:54Z)
• Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
  我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。 純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。 我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
  論文  参考訳（メタデータ） (2021-04-10T15:00:15Z)
• 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)
• Improving Emergency Response during Hurricane Season using Computer Vision [0.06882042556551608]
  我々は,コンピュータビジョン(CV),内陸洪水予知,被害評価,データ可視化といった最新の技術を組み込んだ危機対応・管理のためのフレームワークを開発した。 我々のコンピュータビジョンモデルは、自然災害の前後で、宇宙と空中の画像を分析して、関連する特徴を検出する。 画像から水、道路、建物、植生などの特徴を識別するモデル群を設計した。
  論文  参考訳（メタデータ） (2020-08-17T15:42:02Z)
• 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)
• 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。