論文の概要: BDANet: Multiscale Convolutional Neural Network with Cross-directional
Attention for Building Damage Assessment from Satellite Images
- arxiv url: http://arxiv.org/abs/2105.07364v1
- Date: Sun, 16 May 2021 06:13:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 14:56:34.726167
- Title: BDANet: Multiscale Convolutional Neural Network with Cross-directional
Attention for Building Damage Assessment from Satellite Images
- Title（参考訳）: BDANet:衛星画像による建物被害評価のための双方向注意型マルチスケール畳み込みニューラルネットワーク
- Authors: Yu Shen, Sijie Zhu, Taojiannan Yang, Chen Chen, Delu Pan, Jianyu Chen,
Liang Xiao, Qian Du
- Abstract要約: 衛星画像からの損傷評価は、救援活動が展開される前に重要となる。
深いニューラルネットワークは建物の損傷評価に首尾よく適用されました。
本稿では,bdanetと呼ばれる損傷評価のための2段階畳み込みニューラルネットワークを提案する。
- 参考スコア（独自算出の注目度）: 24.989412626461213
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fast and effective responses are required when a natural disaster (e.g.,
earthquake, hurricane, etc.) strikes. Building damage assessment from satellite
imagery is critical before relief effort is deployed. With a pair of pre- and
post-disaster satellite images, building damage assessment aims at predicting
the extent of damage to buildings. With the powerful ability of feature
representation, deep neural networks have been successfully applied to building
damage assessment. Most existing works simply concatenate pre- and
post-disaster images as input of a deep neural network without considering
their correlations. In this paper, we propose a novel two-stage convolutional
neural network for Building Damage Assessment, called BDANet. In the first
stage, a U-Net is used to extract the locations of buildings. Then the network
weights from the first stage are shared in the second stage for building damage
assessment. In the second stage, a two-branch multi-scale U-Net is employed as
backbone, where pre- and post-disaster images are fed into the network
separately. A cross-directional attention module is proposed to explore the
correlations between pre- and post-disaster images. Moreover, CutMix data
augmentation is exploited to tackle the challenge of difficult classes. The
proposed method achieves state-of-the-art performance on a large-scale dataset
-- xBD. The code is available at
https://github.com/ShaneShen/BDANet-Building-Damage-Assessment.
- Abstract（参考訳）: 自然災害(地震、ハリケーンなど)の際には、迅速かつ効果的な対応が必要である。
ストライク
衛星画像からの損傷評価は、救援活動が展開される前に重要となる。
災害前の衛星画像と災害後の衛星画像により、建物被害評価は建物被害の程度を予測することを目的としている。
特徴表現の強力な能力により、ディープニューラルネットワークは損傷評価の構築に成功している。
既存のほとんどの研究は、相関を考慮せずにディープニューラルネットワークの入力として、単に事前イメージと後イメージを結合している。
本稿では,BDANetと呼ばれる建物被害評価のための2段階畳み込みニューラルネットワークを提案する。
最初の段階では、U-Netを使って建物の場所を抽出する。
そして、第1段階からのネットワーク重みを第2段階に分けて建物損傷評価を行う。
第2段階では、2分岐のマルチスケールu-netがバックボーンとして採用され、プリおよびポストディスタスターイメージがネットワークに別々に供給される。
先行画像と後画像の相関関係を調べるために, 双方向アテンションモジュールを提案する。
さらに、cutmixデータ拡張は難しいクラスの課題に取り組むために利用される。
提案手法は,大規模データセット-xBD上での最先端性能を実現する。
コードはhttps://github.com/ShaneShen/BDANet-Building-Damage-Assessmentで公開されている。
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) - A Geometrical Approach to Evaluate the Adversarial Robustness of Deep
Neural Networks [52.09243852066406]
対向収束時間スコア(ACTS)は、対向ロバストネス指標として収束時間を測定する。
我々は,大規模画像Netデータセットに対する異なる敵攻撃に対して,提案したACTSメトリックの有効性と一般化を検証する。
論文 参考訳（メタデータ） (2023-10-10T09:39:38Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - 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) - 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) - 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)
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。