論文の概要: Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data

• arxiv url: http://arxiv.org/abs/2302.12591v1
• Date: Fri, 24 Feb 2023 12:04:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-27 13:46:53.127934
• Title: Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data
• Title（参考訳）: 仮想レーザースキャンデータを用いた機械学習モデルを用いた多時間光度点雲からの構造物損傷評価の分類
• Authors: Vivien Zahs and Katharina Anders and Julia Kohns and Alexander Stark and Bernhard H\"ofle
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 58.720142291102135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic damage assessment based on UAV-derived 3D point clouds can provide fast information on the damage situation after an earthquake. However, the assessment of multiple damage grades is challenging due to the variety in damage patterns and limited transferability of existing methods to other geographic regions or data sources. We present a novel approach to automatically assess multi-class building damage from real-world multi-temporal point clouds using a machine learning model trained on virtual laser scanning (VLS) data. We (1) identify object-specific change features, (2) separate changed and unchanged building parts, (3) train a random forest machine learning model with VLS data based on object-specific change features, and (4) use the classifier to assess building damage in real-world point clouds from photogrammetry-based dense image matching (DIM). We evaluate classifiers trained on different input data with respect to their capacity to classify three damage grades (heavy, extreme, destruction) in pre- and post-event DIM point clouds of a real earthquake event. Our approach is transferable with respect to multi-source input point clouds used for training (VLS) and application (DIM) of the model. We further achieve geographic transferability of the model by training it on simulated data of geometric change which characterises relevant damage grades across different geographic regions. The model yields high multi-target classification accuracies (overall accuracy: 92.0% - 95.1%). Its performance improves only slightly when using real-world region-specific training data (< 3% higher overall accuracies) and when using real-world region-specific training data (< 2% higher overall accuracies). We consider our approach relevant for applications where timely information on the damage situation is required and sufficient real-world training data is not available.
• Abstract（参考訳）: UAV由来の3D点雲に基づく自動損傷評価は,地震後の被害状況を高速に把握することができる。 しかし,被害パターンの多様性や既存手法の他の地域やデータソースへの移動性が限られているため,複数の被害格付けの評価は困難である。 本稿では,仮想レーザー走査(vls)データに基づく機械学習モデルを用いて,実世界の多時点雲からの多層建物損傷を自動的に評価する手法を提案する。 1) オブジェクト固有の変化特徴を識別し,(2) 変更と変更の異なる構成部品,(3) オブジェクト固有の変化特徴に基づいてVLSデータを用いてランダムな森林機械学習モデルを訓練し,(4) 分類器を用いて実世界の点群における被害を,フォトグラム法に基づく高密度画像マッチング(DIM)を用いて評価する。 実地震前後のDIM点群における3つの被害等級(重, 極度, 破壊)を分類するために, 異なる入力データに基づいて訓練した分類器の評価を行った。 我々のアプローチは、モデルのトレーニング(VLS)とアプリケーション(DIM)に使用されるマルチソースの入力ポイントクラウドに対して転送可能である。 さらに、異なる地域にわたって関連するダメージグレードを特徴付ける幾何変化のシミュレーションデータに基づいて、モデルの地理的転送性を向上させる。 このモデルは高いマルチターゲット分類精度(すべての精度: 92.0% - 95.1%)をもたらす。 実世界の地域別トレーニングデータ(全体の精度が3%高い)と実世界の地域別トレーニングデータ(全体の精度が2%高い)を使用することで、そのパフォーマンスはわずかに向上する。 我々は,損傷状況に関するタイムリーな情報が必要であり,実世界のトレーニングデータが不十分なアプリケーションに対して,我々のアプローチを考察する。

関連論文リスト

• FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [62.663113296987085]
  クラス増分学習(class-incremental learning)は、モデルが限られたデータに基づいて漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。 冗長特徴除去器(RFE)と空間ノイズ補償器(SNC)の2つの新しいコンポーネントを紹介する。 既存の3次元データセットの不均衡を考慮し、3次元FSCILモデルのより微妙な評価を提供する新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2023-12-28T14:52:07Z)
• Context-Aware Change Detection With Semi-Supervised Learning [0.0]
  地球観測データを用いた変化検出は、被災地における災害の影響を定量化する上で重要な役割を担っている。 Sentinel-2のようなデータソースは、豊富な光学情報を提供するが、しばしば雲のカバーによって妨げられる。 本研究では,変更検出タスクにおけるSentinel-2データのコントリビューションを評価するモデルを開発した。
  論文  参考訳（メタデータ） (2023-06-15T08:17:49Z)
• Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks [67.60224656603823]
  本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。 その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
  論文  参考訳（メタデータ） (2022-11-15T15:04:06Z)
• Multi-view deep learning for reliable post-disaster damage classification [0.0]
  本研究は,人工知能(AI)と多視点画像を用いた,より信頼性の高い建築損傷分類を実現することを目的とする。 提案モデルでは, ハリケーン・ハーヴェイに続き, 調査対象の建物について, 専門家ラベル付きジオタグ付き画像を含む偵察視覚データセットを訓練し, 検証した。
  論文  参考訳（メタデータ） (2022-08-06T01:04:13Z)
• Learning-based Point Cloud Registration for 6D Object Pose Estimation in the Real World [55.7340077183072]
  我々は、ポイントクラウドデータからオブジェクトの6Dポーズを推定するタスクに取り組む。 この課題に対処する最近の学習ベースのアプローチは、合成データセットにおいて大きな成功を収めている。 これらの障害の原因を分析し、ソースとターゲットポイントの雲の特徴分布の違いに遡る。
  論文  参考訳（メタデータ） (2022-03-29T07:55:04Z)
• 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)
• 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D Object Detection [111.32054128362427]
  安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。 トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。 我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
  論文  参考訳（メタデータ） (2021-12-09T08:50:54Z)
• Machine Learning in LiDAR 3D point clouds [0.0]
  本稿では,3次元点雲LiDARデータの分類に関する予備的比較研究を行う。 特に,lidar point cloud内の各点に隣接点に関する情報を付加することで,下流学習アルゴリズムの性能を向上させることができることを示す。 また、主成分分析(PCA)からニューラルネットワークベースの自動エンコーダまで、いくつかの寸法削減戦略を実験し、LiDARポイントクラウドの分類パフォーマンスにどのように影響するかを実証します。
  論文  参考訳（メタデータ） (2021-01-22T20:23:23Z)
• 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)
• Deep Learning Framework for Detecting Ground Deformation in the Built Environment using Satellite InSAR data [7.503635457124339]
  我々は、全国規模の速度場における変形を検出するために、事前訓練された畳み込みニューラルネットワーク(CNN)を適用した。 我々は、以前特定された変形が石炭採掘、地下水流出、地すべり、トンネル掘削と関係している英国に焦点を当てる。 本研究は, 自動地動解析システムの開発に提案手法が適用可能であることを示すものである。
  論文  参考訳（メタデータ） (2020-05-07T03:14:00Z)

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。