論文の概要: Disaster mapping from satellites: damage detection with crowdsourced point labels

• arxiv url: http://arxiv.org/abs/2111.03693v1
• Date: Fri, 5 Nov 2021 18:32:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-11 07:06:22.729899
• Title: Disaster mapping from satellites: damage detection with crowdsourced point labels
• Title（参考訳）: 衛星からの災害マッピング:クラウドソースによる損傷検出
• Authors: Danil Kuzin, Olga Isupova, Brooke D. Simmons, Steven Reece
• Abstract要約: 災害直後の高解像度衛星画像は、応答計画に不可欠である。 このスケールでのダメージマッピングには、何百人もの熟練した個人時間が必要です。 クラウドソーシングと最近のディープラーニングの進歩は、数時間のリアルタイム実行に必要な労力を減らす。
• 参考スコア（独自算出の注目度）: 4.511561231517167
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution satellite imagery available immediately after disaster events is crucial for response planning as it facilitates broad situational awareness of critical infrastructure status such as building damage, flooding, and obstructions to access routes. Damage mapping at this scale would require hundreds of expert person-hours. However, a combination of crowdsourcing and recent advances in deep learning reduces the effort needed to just a few hours in real time. Asking volunteers to place point marks, as opposed to shapes of actual damaged areas, significantly decreases the required analysis time for response during the disaster. However, different volunteers may be inconsistent in their marking. This work presents methods for aggregating potentially inconsistent damage marks to train a neural network damage detector.
• Abstract（参考訳）: 災害発生直後の高分解能衛星画像は,建物の被害や洪水,アクセス経路の障害といった重要なインフラ状況の広範な認識を促進するため,対応計画に不可欠である。 この規模での損傷マッピングは、何百人もの専門家時間を必要とするだろう。 しかし、クラウドソーシングと最近のディープラーニングの進歩が組み合わさって、数時間のリアルタイム実行に要する労力を削減している。 実際の被害地域の形状とは対照的に、ボランティアにポイントマークを付けるよう促すことは、災害時の対応に必要な分析時間を著しく短縮する。 しかし、異なるボランティアはマークに矛盾する可能性がある。 本研究は、ニューラルネットワーク損傷検出装置を訓練するために、潜在的に矛盾する損傷痕を集約する方法を提案する。

関連論文リスト

• Weakly-supervised Camera Localization by Ground-to-satellite Image Registration [52.54992898069471]
  本稿では,地対衛星画像登録のための弱教師付き学習戦略を提案する。 地上画像ごとに正の衛星画像と負の衛星画像を導き出す。 また,クロスビュー画像の相対回転推定のための自己超越戦略を提案する。
  論文  参考訳（メタデータ） (2024-09-10T12:57:16Z)
• 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)
• Towards Efficient Disaster Response via Cost-effective Unbiased Class Rate Estimation through Neyman Allocation Stratified Sampling Active Learning [11.697034536189094]
  本稿では,二分分類のためのランダムサンプリング木を構築する革新的なアルゴリズムを提案する。 その結果,本手法は受動的および従来の能動的学習手法を超越していることが判明した。 従来のアクティブな学習戦略における「サンプルバイアス」の課題に効果的に対処する。
  論文  参考訳（メタデータ） (2024-05-28T01:34:35Z)
• CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster Tweet Classification [51.58605842457186]
  半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。 私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
  論文  参考訳（メタデータ） (2023-10-23T07:01:09Z)
• Early Recall, Late Precision: Multi-Robot Semantic Object Mapping under Operational Constraints in Perceptually-Degraded Environments [47.917640567924174]
  本稿では,この問題を解決するためにEarly Recall, Late Precision (EaRLaP)意味オブジェクトマッピングパイプラインを提案する。 EaRLaPはDARPA Subterranean ChallengeでTeam CoSTARによって使用された。 各種データセット上でのEaRLaPの結果と性能について論じる。
  論文  参考訳（メタデータ） (2022-06-21T01:11:42Z)
• Mapping Network States Using Connectivity Queries [64.93225229494976]
  供給ノードから到達可能なノードのサンプルがあれば、インフラストラクチャネットワークのすべての障害コンポーネントを推測できますか? この新しい問題を最小記述長(MDL)原理を用いて定式化する。 本アルゴリズムは,地震後の実ネットワークのドメインエキスパートシミュレーションにより評価する。
  論文  参考訳（メタデータ） (2020-12-07T02:04:33Z)
• 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)
• 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)
• Improving Community Resiliency and Emergency Response With Artificial Intelligence [0.05541644538483946]
  我々は、ステークホルダーが包括的で関連性があり、信頼できる情報にタイムリーにアクセスできるようにする、多段階の緊急対応ツールを目指しています。 本ツールは, 浸水リスク位置, 道路ネットワーク強度, 浸水マップ, 浸水地や被害インフラを推定するコンピュータビジョンセマンティックセマンティックセマンティックセグメンテーションなど, オープンソースの地理空間データの複数の層を符号化して構成する。 これらのデータレイヤを組み合わせて、緊急時の避難経路の検索や、最初に影響を受けたエリアで最初の応答者のために利用可能な宿泊場所のリストを提供するなど、機械学習アルゴリズムの入力データとして利用する。
  論文  参考訳（メタデータ） (2020-05-28T18:05:08Z)
• 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。