論文の概要: Interpretability in Convolutional Neural Networks for Building Damage
Classification in Satellite Imagery
- arxiv url: http://arxiv.org/abs/2201.10523v1
- Date: Mon, 24 Jan 2022 16:55:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-27 11:05:13.909023
- Title: Interpretability in Convolutional Neural Networks for Building Damage
Classification in Satellite Imagery
- Title（参考訳）: 衛星画像における建物損傷分類のための畳み込みニューラルネットワークの解釈可能性
- Authors: Thomas Y. Chen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Natural disasters ravage the world's cities, valleys, and shores on a regular
basis. Deploying precise and efficient computational mechanisms for assessing
infrastructure damage is essential to channel resources and minimize the loss
of life. Using a dataset that includes labeled pre- and post- disaster
satellite imagery, we take a machine learning-based remote sensing approach and
train multiple convolutional neural networks (CNNs) to assess building damage
on a per-building basis. We present a novel methodology of interpretable deep
learning that seeks to explicitly investigate the most useful modalities of
information in the training data to create an accurate classification model. We
also investigate which loss functions best optimize these models. Our findings
include that ordinal-cross entropy loss is the most optimal criterion for
optimization to use and that including the type of disaster that caused the
damage in combination with pre- and post-disaster training data most accurately
predicts the level of damage caused. Further, we make progress in the
qualitative representation of which parts of the images that the model is using
to predict damage levels, through gradient-weighted class activation mapping
(Grad-CAM). Our research seeks to computationally contribute to aiding in this
ongoing and growing humanitarian crisis, heightened by anthropogenic climate
change.
- Abstract（参考訳）: 自然災害は世界の都市、谷、海岸を定期的に破壊している。
インフラの損傷を評価するための正確かつ効率的な計算機構の展開は、チャネル資源と寿命の損失を最小化するために不可欠である。
災害前および災害後衛星画像のラベル付きデータセットを用いて,機械学習に基づくリモートセンシング手法を用いて,複数の畳み込みニューラルネットワーク(cnns)を訓練し,建物毎の損傷評価を行う。
本稿では,学習データ中の情報の最も有用なモダリティを明確化し,正確な分類モデルを作成するための,解釈可能な深層学習の新しい手法を提案する。
また、これらのモデルを最適に最適化する損失関数についても検討する。
以上の結果から,乱用前および災害後訓練データと組み合わせて被害を発生させる災害の種類を含め,被害の程度を最も正確に予測する手法として,順序交差エントロピー損失が最適であることがわかった。
さらに、グラデーション強調クラス活性化マッピング(gradle-weighted class activation mapping:grad-cam)により、モデルが使用する画像のどの部分が損傷レベルを予測するのかを定性的に表現する。
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。
関連論文リスト
- One-class Damage Detector Using Deeper Fully-Convolutional Data
Descriptions for Civil Application [0.0]
モデルパラメータを最適化するために、通常の画像を使用することができる点において、一級損傷検出アプローチには利点がある。
本稿では,FCDDをベースラインモデルとして再現した一級損傷検出の汎用アプリケーションを提案する。
論文 参考訳（メタデータ） (2023-03-03T06:27:15Z) - Classification of structural building damage grades from multi-temporal
photogrammetric point clouds using a machine learning model trained on
virtual laser scanning data [58.720142291102135]
実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。
我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。
このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
論文 参考訳（メタデータ） (2023-02-24T12:04:46Z) - 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) - 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) - NIDA-CLIFGAN: Natural Infrastructure Damage Assessment through Efficient
Classification Combining Contrastive Learning, Information Fusion and
Generative Adversarial Networks [0.0]
本稿では,効率的な建物被害分類を実現するための体系的な取り組みを示す。
その結果,収集したデータの10%をGANと組み合わせたデータと計算効率を示し,計算時間を約半日から約1時間に短縮した。
論文 参考訳（メタデータ） (2021-10-27T15:29:16Z) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳（メタデータ） (2020-12-03T10:17:30Z) - 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) - 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) - Learning from Multimodal and Multitemporal Earth Observation Data for
Building Damage Mapping [17.324397643429638]
我々は、損傷マッピングを構築するためのグローバルなマルチセンサとマルチテンポラルデータセットを開発した。
グローバルデータセットには、高解像度の光学画像と高解像度のマルチバンドSARデータが含まれている。
我々は、深層畳み込みニューラルネットワークアルゴリズムに基づいて、損傷建物の意味的セグメンテーションのための損傷マッピングフレームワークを定義した。
論文 参考訳（メタデータ） (2020-09-14T05:04:19Z) - 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。