論文の概要: Automatic Roof Type Classification Through Machine Learning for Regional Wind Risk Assessment

• arxiv url: http://arxiv.org/abs/2305.17315v1
• Date: Sat, 27 May 2023 00:36:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 20:21:46.609951
• Title: Automatic Roof Type Classification Through Machine Learning for Regional Wind Risk Assessment
• Title（参考訳）: 地域風害評価のための機械学習による屋根型自動分類
• Authors: Shuochuan Meng, Mohammad Hesam Soleimani-Babakamali, Ertugrul Taciroglu
• Abstract要約: 屋根型は風の脆弱性モデリングにおいて最も重要な建築特性の1つである。 CNN(Convolutional Neural Network)は、ビルレベルの衛星画像を用いて屋根のタイプを分類するために訓練された。 このモデルはその後、ニューハノーバー郡とマイアミ・デイド郡の161,772戸の住宅の屋根のタイプを予測するために使用された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Roof type is one of the most critical building characteristics for wind vulnerability modeling. It is also the most frequently missing building feature from publicly available databases. An automatic roof classification framework is developed herein to generate high-resolution roof-type data using machine learning. A Convolutional Neural Network (CNN) was trained to classify roof types using building-level satellite images. The model achieved an F1 score of 0.96 on predicting roof types for 1,000 test buildings. The CNN model was then used to predict roof types for 161,772 single-family houses in New Hanover County, NC, and Miami-Dade County, FL. The distribution of roof type in city and census tract scales was presented. A high variance was observed in the dominant roof type among census tracts. To improve the completeness of the roof-type data, imputation algorithms were developed to populate missing roof data due to low-quality images, using critical building attributes and neighborhood-level roof characteristics.
• Abstract（参考訳）: 屋根型は風の脆弱性モデリングにおいて最も重要な建築特性の1つである。 また、一般に利用可能なデータベースから最も頻繁に欠落するビルディング機能である。 自動屋根分類フレームワークを開発し、機械学習を用いて高解像度屋根型データを生成する。 畳み込みニューラルネットワーク(cnn)を用いて,建物レベルの衛星画像を用いて屋根タイプを分類した。 このモデルは1000の試験棟の屋根型予測において0.96のF1スコアを達成した。 CNNモデルはその後、ニューハノーバー郡とマイアミ・デイド郡の161,772世帯の屋根型を予測するために使用された。 市町村における屋根型の分布について検討した。 調査管内の屋上タイプでは,高いばらつきが見られた。 屋根型データの完全性を向上させるため,低品質画像による屋根データの欠落を重要建築物属性と近傍屋根特性を用いて推定するインプテーションアルゴリズムを開発した。

関連論文リスト

• Extracting the U.S. building types from OpenStreetMap data [0.16060719742433224]
  この研究は、アメリカ合衆国全体をカバーする住宅・非住宅の分類を提供することで包括的なデータセットを作成する。 そこで我々は,ビルディングフットプリントと利用可能なOpenStreetMap情報に基づいて,ビルディングタイプを分類するための教師なし機械学習手法を提案し,活用する。 この検証は、非住宅の建物分類の高精度化と、住宅用建物の高いリコールを示す。
  論文  参考訳（メタデータ） (2024-09-09T15:05:27Z)
• RoofDiffusion: Constructing Roofs from Severely Corrupted Point Data via Diffusion [0.3277163122167433]
  RoofDiffusionは、屋根の高さマップを頑健に完成させる、エンドツーエンドの自己教師付き拡散技術である。 変種であるNo-FP RoofDiffusionは、建物の足跡と高さを同時に予測する。 先進的なCity3DアルゴリズムでテストされたRoofDiffusionは、3Dビルの再構築を著しく改善する。
  論文  参考訳（メタデータ） (2024-04-14T15:50:10Z)
• Fusing VHR Post-disaster Aerial Imagery and LiDAR Data for Roof Classification in the Caribbean [0.0]
  屋上特性の自動分類には深層学習の手法を応用した。 この作業は、カリブ海での弾力性と災害対応を改善するために、政府がよりタイムリーに構築する情報を作成するのを助けることを目的としている。
  論文  参考訳（メタデータ） (2023-07-30T09:15:38Z)
• On the Importance of Feature Representation for Flood Mapping using Classical Machine Learning Approaches [3.555368338253582]
  地球観測データに基づく洪水の浸水マッピングは、洪水の影響を受けた地域を、ほぼリアルタイムで緊急救助隊に、安価で正確な地図を提供するのに役立つ。 本稿では,勾配向上決定木,支持ベクトルマシン,二次判別分析など,従来の5つの機械学習手法の可能性について検討する。 これまでに報告した0.8751と0.7031のIoU値を0.70と0.5873と比較すると、単純な勾配増強分類器はディープニューラルネットワークに基づくアプローチよりも大幅に改善できることが示されている。
  論文  参考訳（メタデータ） (2023-03-01T17:39:08Z)
• DeepDC: Deep Distance Correlation as a Perceptual Image Quality Evaluator [53.57431705309919]
  ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。 我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。 5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
  論文  参考訳（メタデータ） (2022-11-09T14:57:27Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Explanation-Guided Training for Cross-Domain Few-Shot Classification [96.12873073444091]
  クロスドメイン・ショット分類タスク(CD-FSC)は、データセットで表されるドメインをまたいで一般化する要件と、少数ショット分類を組み合わせたものである。 既存のFSCモデルに対する新しいトレーニング手法を提案する。 説明誘導学習はモデル一般化を効果的に改善することを示す。
  論文  参考訳（メタデータ） (2020-07-17T07:28:08Z)
• 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)
• Holistic Parameteric Reconstruction of Building Models from Point Clouds [9.93322840476651]
  本研究では,1つの建物全体の点雲を同時に考慮した総合的パラメトリック再構築手法を提案する。 まず、よく設計されたディープニューラルネットワークを使用して、所定のビルディングポイントクラウド内のプリミティブを識別します。 次に、セグメント化されたプリミティブのパラメータを同時に決定するために、全体最適化戦略を導入する。 総合的な再現の質は、点表面距離0.08メートル、入力されたLiDAR点の0.7倍のRMSEである。
  論文  参考訳（メタデータ） (2020-05-19T05:42:23Z)
• 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)
• Weakly Supervised Attention Pyramid Convolutional Neural Network for Fine-Grained Visual Classification [71.96618723152487]
  注意ピラミッド畳み込みニューラルネットワーク(AP-CNN)について紹介する。 AP-CNNは高レベルのセマンティックと低レベルの詳細な特徴表現の両方を学ぶ。 追加のバウンディングボックス/パートアノテーションを必要とせずに、エンドツーエンドでトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-02-09T12:33:23Z)

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。