論文の概要: Towards Cross-Disaster Building Damage Assessment with Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2201.10395v1
• Date: Tue, 25 Jan 2022 15:25:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-26 21:18:53.375045
• Title: Towards Cross-Disaster Building Damage Assessment with Graph Convolutional Networks
• Title（参考訳）: グラフ畳み込みネットワークによる建築被害評価に向けて
• Authors: Ali Ismail and Mariette Awad
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.9087335681007478
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the aftermath of disasters, building damage maps are obtained using change detection to plan rescue operations. Current convolutional neural network approaches do not consider the similarities between neighboring buildings for predicting the damage. We present a novel graph-based building damage detection solution to capture these relationships. Our proposed model architecture learns from both local and neighborhood features to predict building damage. Specifically, we adopt the sample and aggregate graph convolution strategy to learn aggregation functions that generalize to unseen graphs which is essential for alleviating the time needed to obtain predictions for new disasters. Our experiments on the xBD dataset and comparisons with a classical convolutional neural network reveal that while our approach is handicapped by class imbalance, it presents a promising and distinct advantage when it comes to cross-disaster generalization.
• Abstract（参考訳）: 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。 提案するモデルアーキテクチャは, 建物被害を予測するために, 局所的特徴と近傍的特徴の両方から学習する。 具体的には,新たな災害の予測に要する時間を緩和するために必要となる未確認グラフに一般化する集約関数の学習に,サンプルと集約グラフの畳み込み戦略を採用する。 xBDデータセットと古典的畳み込みニューラルネットワークとの比較実験により、我々のアプローチはクラス不均衡によって障害を受けるが、クロスディザスターの一般化に関して有望で明確な優位性を示すことが明らかとなった。

関連論文リスト

• Data-Agnostic Model Poisoning against Federated Learning: A Graph Autoencoder Approach [65.2993866461477]
  本稿では,フェデレートラーニング(FL)に対するデータに依存しないモデル中毒攻撃を提案する。 この攻撃はFLトレーニングデータの知識を必要とせず、有効性と検出不能の両方を達成する。 実験により、FLの精度は提案した攻撃の下で徐々に低下し、既存の防御機構では検出できないことが示された。
  論文  参考訳（メタデータ） (2023-11-30T12:19:10Z)
• BLDNet: A Semi-supervised Change Detection Building Damage Framework using Graph Convolutional Networks and Urban Domain Knowledge [1.9087335681007478]
  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。
  論文  参考訳（メタデータ） (2022-01-25T15:19:30Z)
• 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)
• Efficient and Robust Classification for Sparse Attacks [34.48667992227529]
  我々は、画像認識、自然言語処理、マルウェア検出の領域において効果的な攻撃として示されてきた$ell$-normで束縛された摂動を考える。 我々は,「トランケーション」と「アドリアル・トレーニング」を組み合わせた新しい防衛手法を提案する。 得られた洞察に触発され、これらのコンポーネントをニューラルネットワーク分類器に拡張する。
  論文  参考訳（メタデータ） (2022-01-23T21:18:17Z)
• Meta Adversarial Perturbations [66.43754467275967]
  メタ逆境摂動(MAP)の存在を示す。 MAPは1段階の上昇勾配更新によって更新された後、自然画像を高い確率で誤分類する。 これらの摂動は画像に依存しないだけでなく、モデルに依存しないものであり、単一の摂動は見えないデータポイントと異なるニューラルネットワークアーキテクチャにまたがってうまく一般化される。
  論文  参考訳（メタデータ） (2021-11-19T16:01:45Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• 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)
• 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。