論文の概要: Semantic Detection of Potential Wind-borne Debris in Construction
Jobsites: Digital Twining for Hurricane Preparedness and Jobsite Safety
- arxiv url: http://arxiv.org/abs/2110.12968v1
- Date: Fri, 22 Oct 2021 12:26:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-26 14:11:57.102688
- Title: Semantic Detection of Potential Wind-borne Debris in Construction
Jobsites: Digital Twining for Hurricane Preparedness and Jobsite Safety
- Title（参考訳）: 建設作業員の風力劣化のセマンティック検出:ハリケーン対策と作業員の安全のためのデジタルツイニング
- Authors: Mirsalar Kamari, Youngjib Ham
- Abstract要約: 米国では、ハリケーンが最も被害の大きい自然災害であり、毎年何十億ドルもの損害を被っている。
ハリケーンの間、足場のような建設現場の無防備で不完全な要素が、風による破片となる可能性がある。
提案手法は, 工法を同定し, 風下地層を解析する手法である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the United States, hurricanes are the most devastating natural disasters
causing billions of dollars worth of damage every year. More importantly,
construction jobsites are classified among the most vulnerable environments to
severe wind events. During hurricanes, unsecured and incomplete elements of
construction sites, such as scaffoldings, plywoods, and metal rods, will become
the potential wind-borne debris, causing cascading damages to the construction
projects and the neighboring communities. Thus, it is no wonder that
construction firms implement jobsite emergency plans to enforce preparedness
responses before extreme weather events. However, relying on checklist-based
emergency action plans to carry out a thorough hurricane preparedness is
challenging in large-scale and complex site environments. For enabling
systematic responses for hurricane preparedness, we have proposed a
vision-based technique to identify and analyze the potential wind-borne debris
in construction jobsites. Building on this, this paper demonstrates the
fidelity of a new machine vision-based method to support construction site
hurricane preparedness and further discuss its implications. The outcomes
indicate that the convenience of visual data collection and the advantages of
the machine vision-based frameworks enable rapid scene understanding and thus,
provide critical heads up for practitioners to recognize and localize the
potential wind-borne derbies in construction jobsites and effectively implement
hurricane preparedness.
- Abstract（参考訳）: アメリカ合衆国では、ハリケーンは毎年数十億ドル相当の被害をもたらす最も壊滅的な自然災害である。
さらに重要なことに、建設作業員は深刻な風害の最も脆弱な環境に分類される。
ハリケーンのとき、足場、合板、金属棒など、安全で不完全な建設現場の要素が風による破片になり、建設プロジェクトや近隣のコミュニティに被害を与える可能性がある。
そのため、建設業者が非常事態発生前に準備対応を強制する緊急計画を策定するのも不思議ではない。
しかし,大規模で複雑な現場環境では,徹底的なハリケーン対策を行うためのチェックリスト型緊急行動計画に頼ることが困難である。
ハリケーン対策の系統的応答を実現するため,建設作業員の風上破片の同定と解析を行うビジョンベース手法を提案した。
そこで本研究では,建設現場のハリケーン対策を支援するマシンビジョンに基づく新しい手法の有効性を実証し,その意義について述べる。
その結果、視覚的データ収集の便利さと、機械ビジョンベースのフレームワークの利点により、現場の迅速な理解が得られ、建設作業における風による潜在的な真皮を認識・ローカライズし、ハリケーン対策を効果的に実施できることが示されている。
関連論文リスト
- A Foundation Model for the Earth System [82.73624748093333]
我々は、100万時間以上の多様なデータに基づいてトレーニングされた地球システムのための大規模な基盤モデルであるAuroraを紹介します。
オーロラは、大気の質、海波、熱帯のサイクロンの軌道、および専用システムよりも計算コストの桁違いの高解像度の天気予報において、運用上の予測を上回っている。
論文 参考訳（メタデータ） (2024-05-20T14:45:18Z) - Post-hurricane building damage assessment using street-view imagery and structured data: A multi-modal deep learning approach [1.748885212343545]
我々は,Multi-Modal Swin Transformer (MMST) という,ハリケーン後の建物被害分類のための新しいマルチモーダルアプローチを提案する。
フロリダ州の2022年ハリケーンIanから収集したデータを用いて,提案したMMSTを実験的に訓練し,評価した。
その結果、MMSTは選択された最先端ベンチマークモデルよりも優れており、精度は92.67%であることがわかった。
論文 参考訳（メタデータ） (2024-04-11T00:23:28Z) - Causality-informed Rapid Post-hurricane Building Damage Detection in
Large Scale from InSAR Imagery [6.331801334141028]
ハリケーンによる建物被害のタイムリーかつ正確な評価は、ハリケーン後の効果的な応答と復旧に不可欠である。
近年,リモートセンシング技術は,災害発生直後の大規模光合成開口レーダ(InSAR)画像データを提供する。
これらのInSAR画像は、しばしば、人為的活動と同様に、建物損傷、洪水・風による植生変化、および建物損傷の同時発生または同時発生によって引き起こされる、非常に騒々しく混ざった信号を含んでいる。
本稿では,InSAR画像からハリケーン後の建物被害の迅速検出手法を提案する。
論文 参考訳（メタデータ） (2023-10-02T18:56:05Z) - Sarcasm Detection in a Disaster Context [103.93691731605163]
HurricaneSARCは,意図した皮肉に注釈を付けた15,000ツイートのデータセットである。
私たちの最高のモデルは、データセットで最大0.70F1を得ることができます。
論文 参考訳（メタデータ） (2023-08-16T05:58:12Z) - Learning Reconstructability for Drone Aerial Path Planning [51.736344549907265]
本研究では,無人ドローンを用いた大規模3次元都市景観獲得のためのビューとパスプランニングを改善するための,学習に基づく最初の再構成可能性予測器を提案する。
従来の手法とは対照的に,本手法では,一組の視点から3次元都市景観をいかによく再構築するかを明示的に予測するモデルを学習する。
論文 参考訳（メタデータ） (2022-09-21T08:10:26Z) - 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) - Post-Hurricane Damage Assessment Using Satellite Imagery and Geolocation
Features [0.2538209532048866]
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。
論文 参考訳（メタデータ） (2020-12-15T21:30:19Z) - 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)
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。