論文の概要: xFBD: Focused Building Damage Dataset and Analysis

• arxiv url: http://arxiv.org/abs/2212.13876v1
• Date: Fri, 23 Dec 2022 21:01:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 14:08:11.081812
• Title: xFBD: Focused Building Damage Dataset and Analysis
• Title（参考訳）: xfbd: 集中型ビル被害データセットと分析
• Authors: Dennis Melamed, Cameron Johnson, Chen Zhao, Russell Blue, Philip Morrone, Anthony Hoogs, Brian Clipp
• Abstract要約: 我々は、元のxView2コンペティションに補助的な挑戦を提案する。 この新たな課題は、損傷がxBDよりも局所的で制限された場合のソリューションパフォーマンスを示す新しいデータセットとメトリクスである。 この課題に成功する方法は、元のxView2ソリューションよりもきめ細かな、正確な損傷情報を提供する。
• 参考スコア（独自算出の注目度）: 7.862669992685641
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The xView2 competition and xBD dataset spurred significant advancements in overhead building damage detection, but the competition's pixel level scoring can lead to reduced solution performance in areas with tight clusters of buildings or uninformative context. We seek to advance automatic building damage assessment for disaster relief by proposing an auxiliary challenge to the original xView2 competition. This new challenge involves a new dataset and metrics indicating solution performance when damage is more local and limited than in xBD. Our challenge measures a network's ability to identify individual buildings and their damage level without excessive reliance on the buildings' surroundings. Methods that succeed on this challenge will provide more fine-grained, precise damage information than original xView2 solutions. The best-performing xView2 networks' performances dropped noticeably in our new limited/local damage detection task. The common causes of failure observed are that (1) building objects and their classifications are not separated well, and (2) when they are, the classification is strongly biased by surrounding buildings and other damage context. Thus, we release our augmented version of the dataset with additional object-level scoring metrics https://gitlab.kitware.com/dennis.melamed/xfbd to test independence and separability of building objects, alongside the pixel-level performance metrics of the original competition. We also experiment with new baseline models which improve independence and separability of building damage predictions. Our results indicate that building damage detection is not a fully-solved problem, and we invite others to use and build on our dataset augmentations and metrics.
• Abstract（参考訳）: xView2コンペティションとxBDデータセットは、ビルの損傷検出のオーバーヘッドを大幅に向上させたが、コンペティションのピクセルレベルスコアは、建物の密集したクラスタや非形式的なコンテキストを持つ領域でのソリューションパフォーマンスを低下させる可能性がある。 我々は,災害復旧のための建物の自動被害評価を,当初のxView2コンペティションに補助的課題を提案することで進める。 この新たな課題は、損傷がxBDよりも局所的で制限された場合のソリューションパフォーマンスを示す新しいデータセットとメトリクスである。 本課題は,建物の環境に過度に依存することなく,個々の建物とその被害レベルを識別できるネットワークの能力を測定することである。 この課題に成功する方法は、元のxView2ソリューションよりもきめ細かい、正確な損傷情報を提供する。 xView2ネットワークの性能は、新しい限定的/局所的な損傷検出タスクで著しく低下した。 一般的な失敗の原因は、(1)建築物とその分類がうまく分離されていないこと、(2)その場合、周囲の建物や他の損傷状況によって分類が強く偏っていることである。 そこで、私たちは、オブジェクトの独立性と分離性をテストするために、オブジェクトレベルの評価指標 https://gitlab.kitware.com/dennis.melamed/xfbdを追加して、データセットの拡張バージョンをリリースしました。 また,建物損傷予測の独立性と分離性を向上させる新しいベースラインモデルの実験を行った。 結果から,損傷検出は完全解決された問題ではなく,データセットの拡張やメトリクスの使用と構築を他の人に依頼した。

関連論文リスト

• DeepDamageNet: A two-step deep-learning model for multi-disaster building damage segmentation and classification using satellite imagery [12.869300064524122]
  本稿では, 損傷評価, セグメンテーション, 分類において, ディープラーニングモデルによる2つの重要な課題を遂行するソリューションを提案する。 我々の最良のモデルは、建物識別セマンティックセグメンテーション畳み込みニューラルネットワーク(CNN)と建物損傷分類CNNを組み合わせ、合計F1スコアは0.66である。 本モデルでは比較的精度の高い建物を同定することができたが,災害タイプによる被害の分類は困難であることが判明した。
  論文  参考訳（メタデータ） (2024-05-08T04:21:03Z)
• OOD-CV-v2: An extended Benchmark for Robustness to Out-of-Distribution Shifts of Individual Nuisances in Natural Images [59.51657161097337]
  OOD-CV-v2は、ポーズ、形状、テクスチャ、コンテキスト、気象条件の10のオブジェクトカテゴリのアウト・オブ・ディストリビューションの例を含むベンチマークデータセットである。 この新たなデータセットに加えて、一般的なベースライン手法を用いた広範な実験にも貢献する。
  論文  参考訳（メタデータ） (2023-04-17T20:39:25Z)
• Unpaired Referring Expression Grounding via Bidirectional Cross-Modal Matching [53.27673119360868]
  表現基盤の参照はコンピュータビジョンにおいて重要かつ困難な課題である。 本稿では,これらの課題に対処する新しい双方向クロスモーダルマッチング(BiCM)フレームワークを提案する。 私たちのフレームワークは、2つの一般的なグラウンドデータセットで、以前の作業の6.55%と9.94%を上回っています。
  論文  参考訳（メタデータ） (2022-01-18T01:13:19Z)
• BDANet: Multiscale Convolutional Neural Network with Cross-directional Attention for Building Damage Assessment from Satellite Images [24.989412626461213]
  衛星画像からの損傷評価は、救援活動が展開される前に重要となる。 深いニューラルネットワークは建物の損傷評価に首尾よく適用されました。 本稿では,bdanetと呼ばれる損傷評価のための2段階畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-05-16T06:13:28Z)
• 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)
• 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 Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)
• 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)
• Building Disaster Damage Assessment in Satellite Imagery with Multi-Temporal Fusion [0.76146285961466]
  本稿では,問題フレーミング,データ処理,トレーニング手順に関する知見を報告する。 我々の洞察は、xBDベースラインモデルよりも大幅に改善される。 xView2チャレンジのリーダーボードでは、トップスコアの1つを得ました。
  論文  参考訳（メタデータ） (2020-04-12T02:06:12Z)

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。