論文の概要: RescueNet: A High Resolution UAV Semantic Segmentation Benchmark Dataset
for Natural Disaster Damage Assessment
- arxiv url: http://arxiv.org/abs/2202.12361v1
- Date: Thu, 24 Feb 2022 20:56:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-28 14:59:01.455742
- Title: RescueNet: A High Resolution UAV Semantic Segmentation Benchmark Dataset
for Natural Disaster Damage Assessment
- Title（参考訳）: RescueNet: 自然災害評価のための高分解能UAVセマンティックセマンティックセグメンテーションベンチマークデータセット
- Authors: Tashnim Chowdhury, Robin Murphy, Maryam Rahnemoonfar
- Abstract要約: 本稿では自然災害後の被害を評価するための高解像度災害データセットRescueNetを紹介する。
RescueNetのユニークな点は、このデータセットがディスアスター後の高解像度画像と各イメージの包括的なアノテーションを提供するという事実から来ている。
RescueNet上での最先端セグメンテーションモデルを実装することにより、データセットの有用性をさらに分析する。
- 参考スコア（独自算出の注目度）: 0.3222802562733786
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to climate change, we can observe a recent surge of natural disasters all
around the world. These disasters are causing disastrous impact on both nature
and human lives. Economic losses are getting greater due to the hurricanes.
Quick and prompt response of the rescue teams are crucial in saving human lives
and reducing economic cost. Deep learning based computer vision techniques can
help in scene understanding, and help rescue teams with precise damage
assessment. Semantic segmentation, an active research area in computer vision,
can put labels to each pixel of an image, and therefore can be a valuable
arsenal in the effort of reducing the impacts of hurricanes. Unfortunately,
available datasets for natural disaster damage assessment lack detailed
annotation of the affected areas, and therefore do not support the deep
learning models in total damage assessment. To this end, we introduce the
RescueNet, a high resolution post disaster dataset, for semantic segmentation
to assess damages after natural disasters. The RescueNet consists of post
disaster images collected after Hurricane Michael. The data is collected using
Unmanned Aerial Vehicles (UAVs) from several areas impacted by the hurricane.
The uniqueness of the RescueNet comes from the fact that this dataset provides
high resolution post-disaster images and comprehensive annotation of each
image. While most of the existing dataset offer annotation of only part of the
scene, like building, road, or river, RescueNet provides pixel level annotation
of all the classes including building, road, pool, tree, debris, and so on. We
further analyze the usefulness of the dataset by implementing state-of-the-art
segmentation models on the RescueNet. The experiments demonstrate that our
dataset can be valuable in further improvement of the existing methodologies
for natural disaster damage assessment.
- Abstract（参考訳）: 気候変動のため、世界中の自然災害が最近急増しているのを観察できる。
これらの災害は自然と人間の生活に悲惨な影響を与えている。
ハリケーンにより経済的損失が増大している。
救助隊の迅速かつ迅速な対応は、人命救助と経済的コスト削減に不可欠である。
深層学習に基づくコンピュータビジョン技術は、現場の理解を助け、正確な損傷評価を行う助けとなる。
コンピュータビジョンにおける活発な研究領域であるセマンティックセグメンテーション(Semantic segmentation)は、画像の各ピクセルにラベルを付けることができ、ハリケーンの影響を減らすために貴重な武器となる。
残念なことに、自然災害被害評価のためのデータセットには、影響領域の詳細なアノテーションが欠けているため、全被害評価におけるディープラーニングモデルをサポートしない。
この目的のために,自然災害後の被害を評価するセマンティックセグメンテーションのための高分解能な災害データセットRescueNetを紹介した。
RescueNetはハリケーン・マイケル後の災害画像で構成されている。
データは、ハリケーンの影響を受けたいくつかの地域から無人航空機(UAV)を用いて収集される。
rescuenetの独特さは、このデータセットが高解像度のポストディスタスター画像と各画像の包括的なアノテーションを提供するという事実から来ている。
既存のデータセットのほとんどは、建物、道路、川など、シーンの一部のみのアノテーションを提供しているが、rescuenetは、ビルディング、ロード、プール、ツリー、デブリなど、すべてのクラスのピクセルレベルのアノテーションを提供する。
RescueNet上での最先端セグメンテーションモデルを実装することにより、データセットの有用性をさらに分析する。
実験により,既存の自然災害被害評価手法のさらなる改善に有用なデータセットが得られた。
関連論文リスト
- Unsupervised Restoration of Weather-affected Images using Deep Gaussian
Process-based CycleGAN [92.15895515035795]
本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。
我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。
提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
論文 参考訳（メタデータ） (2022-04-23T01:30:47Z) - Self-Supervised Video Object Segmentation via Cutout Prediction and
Tagging [117.73967303377381]
本稿では, 自己教師型ビデオオブジェクト(VOS)アプローチを提案する。
本手法は,対象情報と背景情報の両方を考慮した識別学習損失の定式化に基づく。
提案手法であるCT-VOSは, DAVIS-2017 と Youtube-VOS の2つの挑戦的なベンチマークにおいて,最先端の結果を達成している。
論文 参考訳（メタデータ） (2022-04-22T17:53:27Z) - Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。
既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。
セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
論文 参考訳（メタデータ） (2021-06-27T09:31:49Z) - Attention Based Semantic Segmentation on UAV Dataset for Natural
Disaster Damage Assessment [0.7614628596146599]
我々は,高解像度UAVデータセット上に,自己アテンションに基づくセマンティックセマンティックセマンティクスモデルを実装した。
その結果、人命を救うとともに経済損失を減らす自然災害被害評価に自己注意型スキームを使うことが示唆された。
論文 参考訳（メタデータ） (2021-05-30T13:39:03Z) - FloodNet: A High Resolution Aerial Imagery Dataset for Post Flood Scene
Understanding [0.9786690381850354]
FloodNetはハリケーン・ハーヴェイの後に撮影された高解像度UAV画像である。
このデータセットは、被災地域の浸水被害を示している。
深層学習アルゴリズムの進歩により、災害の影響を分析し、影響を受ける地域を正確に理解することができる。
論文 参考訳（メタデータ） (2020-12-05T05:15:36Z) - Self-supervised Segmentation via Background Inpainting [96.10971980098196]
移動可能なカメラで撮影された単一の画像で、自己教師付き検出とセグメンテーションのアプローチを導入する。
我々は、提案に基づくセグメンテーションネットワークのトレーニングに利用する自己教師付き損失関数を利用する。
本手法は,標準ベンチマークから視覚的に切り離された画像の人間の検出とセグメント化に応用し,既存の自己監督手法より優れていることを示す。
論文 参考訳（メタデータ） (2020-11-11T08:34:40Z) - Comprehensive Semantic Segmentation on High Resolution UAV Imagery for
Natural Disaster Damage Assessment [0.26249027950824505]
災害シナリオにおける視覚知覚のための大規模ハリケーン・マイケルデータセットを提案する。
セマンティックセグメンテーションのための最先端のディープニューラルネットワークモデルを分析する。
論文 参考訳（メタデータ） (2020-09-02T17:07:28Z) - 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) - MSNet: A Multilevel Instance Segmentation Network for Natural Disaster
Damage Assessment in Aerial Videos [74.22132693931145]
本研究では, ハリケーン, 洪水, 火災などの自然災害後の建物被害を効率的に評価する課題について検討する。
最初のコントリビューションは、ソーシャルメディアからユーザ生成された空中ビデオと、インスタンスレベルのビルディング損傷マスクのアノテーションで構成される、新しいデータセットである。
第二のコントリビューションはMSNetと呼ばれる新しいモデルで、新しい領域の提案ネットワーク設計を含んでいる。
論文 参考訳（メタデータ） (2020-06-30T02:23:05Z) - Deep Learning-based Aerial Image Segmentation with Open Data for
Disaster Impact Assessment [11.355723874379317]
セグメンテーションニューラルネットワークを利用したフレームワークは、災害後のシナリオで影響のある地域やアクセス可能な道路を特定するために提案されている。
航空画像セグメンテーションにおけるImageNetの事前訓練の有効性について検討した。
インドネシアのパウル島を襲った2018年の津波のデータから、提案された枠組みの有効性が示された。
論文 参考訳（メタデータ） (2020-06-10T00:19:58Z) - 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。