論文の概要: BLDNet: A Semi-supervised Change Detection Building Damage Framework using Graph Convolutional Networks and Urban Domain Knowledge

• arxiv url: http://arxiv.org/abs/2201.10389v1
• Date: Tue, 25 Jan 2022 15:19:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-26 21:33:40.760218
• Title: BLDNet: A Semi-supervised Change Detection Building Damage Framework using Graph Convolutional Networks and Urban Domain Knowledge
• Title（参考訳）: BLDNet:グラフ畳み込みネットワークと都市ドメイン知識を用いた半教師付き変更検出建築被害フレームワーク
• Authors: Ali Ismail and Mariette Awad
• Abstract要約: 建物損傷検出のための新しいグラフ定式化であるBLDNetを提案する。 グラフ畳み込みネットワークを用いて,これらの特徴を半教師付きフレームワークで効率的に学習する。 このアプローチの有効性を検証するために、xBDデータセットのトレーニングとベンチマークを行います。
• 参考スコア（独自算出の注目度）: 1.9087335681007478
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Change detection is instrumental to localize damage and understand destruction in disaster informatics. While convolutional neural networks are at the core of recent change detection solutions, we present in this work, BLDNet, a novel graph formulation for building damage change detection and enable learning relationships and representations from both local patterns and non-stationary neighborhoods. More specifically, we use graph convolutional networks to efficiently learn these features in a semi-supervised framework with few annotated data. Additionally, BLDNet formulation allows for the injection of additional contextual building meta-features. We train and benchmark on the xBD dataset to validate the effectiveness of our approach. We also demonstrate on urban data from the 2020 Beirut Port Explosion that performance is improved by incorporating domain knowledge building meta-features.
• Abstract（参考訳）: 変化検出は,災害情報学における被害の局所化と破壊の理解に有用である。 畳み込みニューラルネットワークは最近の変化検出ソリューションの中核にあるが、本研究では、損傷検出を構築するための新しいグラフ定式化であるBLDNetを紹介し、局所パターンと非定常近傍の両方からの学習関係と表現を可能にする。 具体的には、グラフ畳み込みネットワークを用いて、注釈付きデータが少ない半教師付きフレームワークでこれらの特徴を効率的に学習する。 さらに、BLDNetの定式化により、追加のコンテキスト構築メタフィーチャの注入が可能になる。 このアプローチの有効性を検証するために、xBDデータセットのトレーニングとベンチマークを行います。 2020年のベイルート港爆発による都市データについても、ドメイン知識ビルディングメタ機能の導入により、パフォーマンスが向上することを示した。

関連論文リスト

• Efficient Network Representation for GNN-based Intrusion Detection [2.321323878201932]
  過去数十年間、深刻な経済とプライバシーの被害を受けたサイバー攻撃の数が増加している。 本稿では,侵入検知タスクのトポロジ情報の提供を目的とした,フローのグラフとしての新しいネットワーク表現を提案する。 提案するグラフ構造を利用したグラフニューラルネットワーク(GNN)に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-11T16:10:12Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Context-Preserving Instance-Level Augmentation and Deformable Convolution Networks for SAR Ship Detection [50.53262868498824]
  ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。 ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2022-02-14T07:01:01Z)
• Towards Cross-Disaster Building Damage Assessment with Graph Convolutional Networks [1.9087335681007478]
  災害の余波において, 建物被害マップを変更検出を用いて取得し, 救助活動の計画を立てる。 現在の畳み込みニューラルネットワークアプローチは、損傷を予測するために隣接する建物間の類似性を考慮していない。 本稿では,これらの関係を捉えた新しい建物損傷検出手法を提案する。
  論文  参考訳（メタデータ） (2022-01-25T15:25:21Z)
• 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)
• Local Augmentation for Graph Neural Networks [78.48812244668017]
  本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。 局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
  論文  参考訳（メタデータ） (2021-09-08T18:10:08Z)
• Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
  メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。 地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。 提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-01T19:24:27Z)
• Information Obfuscation of Graph Neural Networks [96.8421624921384]
  本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。 本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T17:55:04Z)
• 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)
• 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。