論文の概要: Superpixel-Based Building Damage Detection from Post-earthquake Very High Resolution Imagery Using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2112.04744v1
• Date: Thu, 9 Dec 2021 08:05:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-10 21:19:11.181618
• Title: Superpixel-Based Building Damage Detection from Post-earthquake Very High Resolution Imagery Using Deep Neural Networks
• Title（参考訳）: 深部ニューラルネットワークを用いた地震後の超高分解能画像からの超画素型建物被害検出
• Authors: Jun Wang, Zhoujing Li, Yixuan Qiao, Qiming Qin, Peng Gao, Guotong Xie
• Abstract要約: 地震などの自然災害後の被害検知は, 効果的な緊急対応行動の開始に不可欠である。 地震による建築物の損傷を検知するために多くの手法が開発されているが、VHR画像に表されるリッチな特徴を活用することにはほとんど注意が払われていない。 本稿では,Deep Neural Networks(DNN)と修正セグメンテーション手法を組み合わせた,新しい超画素ベースのアプローチを提案する。
• 参考スコア（独自算出の注目度）: 15.761849146985494
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Building damage detection after natural disasters like earthquakes is crucial for initiating effective emergency response actions. Remotely sensed very high spatial resolution (VHR) imagery can provide vital information due to their ability to map the affected buildings with high geometric precision. Many approaches have been developed to detect damaged buildings due to earthquakes. However, little attention has been paid to exploiting rich features represented in VHR images using Deep Neural Networks (DNN). This paper presents a novel super-pixel based approach combining DNN and a modified segmentation method, to detect damaged buildings from VHR imagery. Firstly, a modified Fast Scanning and Adaptive Merging method is extended to create initial over-segmentation. Secondly, the segments are merged based on the Region Adjacent Graph (RAG), considered an improved semantic similarity criterion composed of Local Binary Patterns (LBP) texture, spectral, and shape features. Thirdly, a pre-trained DNN using Stacked Denoising Auto-Encoders called SDAE-DNN is presented, to exploit the rich semantic features for building damage detection. Deep-layer feature abstraction of SDAE-DNN could boost detection accuracy through learning more intrinsic and discriminative features, which outperformed other methods using state-of-the-art alternative classifiers. We demonstrate the feasibility and effectiveness of our method using a subset of WorldView-2 imagery, in the complex urban areas of Bhaktapur, Nepal, which was affected by the Nepal Earthquake of April 25, 2015.
• Abstract（参考訳）: 地震などの自然災害後の建物被害検知は, 緊急対応行動の実施に不可欠である。 リモートセンシングされた超高空間解像度(VHR)画像は、影響を受ける建物を高い幾何学的精度でマッピングできるため、重要な情報を提供することができる。 地震による建物被害を検知する手法が数多く開発されている。 しかし、ディープニューラルネットワーク(DNN)を使用してVHR画像に表現されたリッチな特徴を活用することにはほとんど注意が払われていない。 本稿では,vhr画像から損傷建物を検出するために,dnnと改良セグメント法を組み合わせた新しい超画素ベース手法を提案する。 まず、修正されたFast Scanning and Adaptive Mergingメソッドを拡張して、初期オーバーセグメンテーションを生成する。 第2に、これらのセグメントは、局所二項パターン(LBP)テクスチャ、スペクトル、形状特徴からなる意味的類似性基準を改善した領域隣接グラフ(RAG)に基づいてマージされる。 第三に、SDAE-DNNと呼ばれるスタックド・デノナイジング・オートエンコーダを用いた事前訓練されたDNNを示し、損傷検出を構築するためのリッチな意味的特徴を利用する。 SDAE-DNNの深層的特徴抽象化は、より本質的で差別的な特徴を学習することで検出精度を高めることができる。 2015年4月25日のネパール地震で被災したネパール・バクタプール(Bhaktapur)の複雑な都市部におけるWorldView-2画像のサブセットを用いて,本手法の有効性と有効性を示す。

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)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• Scattering Model Guided Adversarial Examples for SAR Target Recognition: Attack and Defense [20.477411616398214]
  本稿では,SAR画像処理の領域知識を探求し,新たなSMGAAアルゴリズムを提案する。 提案したSMGAAアルゴリズムは、電磁散乱応答(逆散乱器と呼ばれる)の形で逆方向の摂動を生成することができる。 MSTARデータセットの総合的な評価は、SMGAAによって生成された対向散乱体は、現在研究されている攻撃よりも、SAR処理チェーンの摂動や変換に対してより堅牢であることを示している。
  論文  参考訳（メタデータ） (2022-09-11T03:41:12Z)
• HDNet: High-resolution Dual-domain Learning for Spectral Compressive Imaging [138.04956118993934]
  HSI再構成のための高分解能デュアルドメイン学習ネットワーク(HDNet)を提案する。 一方、高効率な特徴融合によるHR空間スペクトルアテンションモジュールは、連続的かつ微細な画素レベルの特徴を提供する。 一方、HSI再構成のために周波数領域学習(FDL)を導入し、周波数領域の差を狭める。
  論文  参考訳（メタデータ） (2022-03-04T06:37:45Z)
• Background Adaptive Faster R-CNN for Semi-Supervised Convolutional Object Detection of Threats in X-Ray Images [64.39996451133268]
  我々は、バックグラウンド適応型高速R-CNNと呼ばれる脅威認識のための半教師付きアプローチを提案する。 本手法は,ディープラーニング分野からのドメイン適応手法を用いた2段階物体検出器の訓練手法である。 2つのドメイン識別器(1つはオブジェクト提案を識別し、もう1つは画像特徴を識別する)は、ドメイン固有の情報を符号化するのを防ぐために敵対的に訓練される。 これにより、手作業の背景から抽出した特徴の統計と実世界のデータとを一致させることで、脅威検出の誤報率を低減することができる。
  論文  参考訳（メタデータ） (2020-10-02T21:05:13Z)
• 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。