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/2202.12361v3
- Date: Sun, 10 Mar 2024 03:44:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 18:08:48.578847
- 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: Maryam Rahnemoonfar, Tashnim Chowdhury, Robin Murphy
- Abstract要約: RescueNetはハリケーン・マイケルの後に収集された災害後の画像を含んでいる。
RescueNetは、建物、道路、プール、木など、すべてのクラスに対してピクセルレベルのアノテーションを提供する。
本研究では,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評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advancements in computer vision and deep learning techniques have
facilitated notable progress in scene understanding, thereby assisting rescue
teams in achieving precise damage assessment. In this paper, we present
RescueNet, a meticulously curated high-resolution post-disaster dataset that
includes detailed classification and semantic segmentation annotations. This
dataset aims to facilitate comprehensive scene understanding in the aftermath
of natural disasters. RescueNet comprises post-disaster images collected after
Hurricane Michael, obtained using Unmanned Aerial Vehicles (UAVs) from multiple
impacted regions. The uniqueness of RescueNet lies in its provision of
high-resolution post-disaster imagery, accompanied by comprehensive annotations
for each image. Unlike existing datasets that offer annotations limited to
specific scene elements such as buildings, RescueNet provides pixel-level
annotations for all classes, including buildings, roads, pools, trees, and
more. Furthermore, we evaluate the utility of the dataset by implementing
state-of-the-art segmentation models on RescueNet, demonstrating its value in
enhancing existing methodologies for natural disaster damage assessment.
- Abstract（参考訳）: 近年のコンピュータビジョンと深層学習技術の進歩は、現場理解の顕著な進歩を助長し、救助隊の正確な被害評価を支援する。
本稿では,詳細な分類と意味セグメンテーションアノテーションを含む,精巧にキュレートされた高分解能ポストディスタスターデータセットであるrescuenetを提案する。
このデータセットは、自然災害の余波を総合的に理解することを目的としている。
RescueNetは、複数の衝突地域から無人航空機(UAV)を用いて得られたハリケーン・マイケルの後に収集された災害後の画像を含んでいる。
rescuenetの独特さは、高解像度のポストディザスター画像を提供し、各画像に包括的な注釈を添えることにある。
建物などの特定のシーン要素に限定したアノテーションを提供する既存のデータセットとは異なり、rescuenetは建物、道路、プール、木などを含むすべてのクラスにピクセルレベルのアノテーションを提供する。
さらに,rescuenetに最先端のセグメンテーションモデルを実装し,既存の自然災害被害評価手法の強化にその価値を示すことにより,データセットの有用性を評価する。
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。