Fugu-MT 論文翻訳(概要): Postdisaster image-based damage detection and repair cost estimation of reinforced concrete buildings using dual convolutional neural networks

論文の概要: Postdisaster image-based damage detection and repair cost estimation of reinforced concrete buildings using dual convolutional neural networks

arxiv url: http://arxiv.org/abs/2111.09862v1
Date: Tue, 16 Nov 2021 00:15:39 GMT
ステータス: 処理完了
システム内更新日: 2021-11-19 15:15:44.361892
Title: Postdisaster image-based damage detection and repair cost estimation of reinforced concrete buildings using dual convolutional neural networks
Title（参考訳）: 二重畳み込みニューラルネットワークを用いた鉄筋コンクリート構造物の損傷検出と補修コスト推定
Authors: Xiao Pan, T.Y. Yang
Abstract要約: YOLO-v2と呼ばれる物体検出ニューラルネットワークが実装され、トレーニングおよびテストにおける平均精度は98.2%と84.5%である。提案したYOLO-v2は分類ニューラルネットワークと組み合わせて, 鉄筋コンクリート構造物の臨界損傷状態の同定精度を7.5%向上させる。
参考スコア（独自算出の注目度）: 2.5048502067705103
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Reinforced concrete buildings are commonly used around the world. With recent earthquakes worldwide, rapid structural damage inspection and repair cost evaluation are crucial for building owners and policy makers to make informed risk management decisions. To improve the efficiency of such inspection, advanced computer vision techniques based on convolution neural networks have been adopted in recent research to rapidly quantify the damage state of structures. In this paper, an advanced object detection neural network, named YOLO-v2, is implemented which achieves 98.2% and 84.5% average precision in training and testing, respectively. The proposed YOLO-v2 is used in combination with the classification neural network, which improves the identification accuracy for critical damage state of reinforced concrete structures by 7.5%. The improved classification procedures allow engineers to rapidly and more accurately quantify the damage states of the structure, and also localize the critical damage features. The identified damage state can then be integrated with the state-of-the-art performance evaluation framework to quantify the financial losses of critical reinforced concrete buildings. The results can be used by the building owners and decision makers to make informed risk management decisions immediately after the strong earthquake shaking. Hence, resources can be allocated rapidly to improve the resiliency of the community.
Abstract（参考訳）: 鉄筋コンクリート建築は世界中で広く使われている。近年の世界の地震では、建物の所有者や政策立案者にとって、構造的被害の迅速検査と修復コスト評価が重要になっている。このような検査の効率を向上させるため,最近の研究では,畳み込みニューラルネットワークに基づく高度なコンピュータビジョン技術を採用し,構造物の損傷状況を迅速定量化している。本稿では, YOLO-v2と呼ばれる高度な物体検出ニューラルネットワークを実装し, 平均精度98.2%, 平均精度84.5%を実現した。提案したYOLO-v2は分類ニューラルネットワークと組み合わせて, 鉄筋コンクリート構造物の臨界損傷状態の同定精度を7.5%向上させる。改良された分類手順により、技術者は構造物の損傷状態を迅速かつ正確に定量化し、臨界損傷特性を局所化することができる。そして、特定された損傷状態を最先端性能評価フレームワークに統合し、重要な鉄筋コンクリート構造物の経済的損失を定量化することができる。この結果は、強震の直後に、建物の所有者や意思決定者が情報的リスク管理決定を行うために利用できる。したがって、コミュニティのレジリエンスを改善するために、リソースを迅速に割り当てることができる。

関連論文リスト

Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文参考訳（メタデータ） (2024-07-26T10:29:16Z)
FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文参考訳（メタデータ） (2024-03-26T08:51:23Z)
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)
Neural Architecture Dilation for Adversarial Robustness [56.18555072877193]
畳み込みニューラルネットワークの欠点は、敵の攻撃に弱いことである。本稿では, 良好な精度を有する背骨CNNの対角的堅牢性を向上させることを目的とする。最小限の計算オーバーヘッドの下では、拡張アーキテクチャはバックボーンCNNの標準的な性能と親和性が期待できる。
論文参考訳（メタデータ） (2021-08-16T03:58:00Z)
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)
Understanding and Diagnosing Vulnerability under Adversarial Attacks [62.661498155101654]
ディープニューラルネットワーク(DNN)は敵の攻撃に弱いことが知られている。本稿では,潜在変数の分類に使用される特徴を説明するために,新しい解釈可能性手法であるInterpretGANを提案する。また、各層がもたらす脆弱性を定量化する最初の診断方法も設計する。
論文参考訳（メタデータ） (2020-07-17T01:56:28Z)
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)
A Review of Vibration-Based Damage Detection in Civil Structures: From Traditional Methods to Machine Learning and Deep Learning Applications [20.47375627883094]
構造物の寿命維持と維持には, 構造物の損傷モニタリングが極めて重要である。機械学習(ML)や、特にディープラーニング(DL)アルゴリズムは、過去10年間のコンピューティングパワーとセンサー技術の発展に伴い、振動に基づく構造的損傷検出において、より実現可能で広範囲に使用されている。本稿では,従来の手法のハイライトと,振動による土木構造物の損傷検出に利用したMLおよびDLアルゴリズムの最近の応用を概観する。
論文参考訳（メタデータ） (2020-04-09T05:39:21Z)
Fully convolutional networks for structural health monitoring through multivariate time series classification [0.0]
構造健康モニタリング(SHM)への新たなアプローチを提案する。広汎なセンサーシステムを通じて取得したデータから、損傷に敏感な特徴を自動的に識別することを目的としている。損傷検出と局所化は分類問題として定式化され、FCN(Fully Convolutional Networks)を通して取り組まれる
論文参考訳（メタデータ） (2020-02-12T21:59:29Z)

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。