論文の概要: Disaster Anomaly Detector via Deeper FCDDs for Explainable Initial Responses

• arxiv url: http://arxiv.org/abs/2306.02517v1
• Date: Mon, 5 Jun 2023 00:44:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 17:27:59.259582
• Title: Disaster Anomaly Detector via Deeper FCDDs for Explainable Initial Responses
• Title（参考訳）: 説明可能な初期応答のための深部FCDDによる災害異常検出装置
• Authors: Takato Yasuno, Masahiro Okano and Junichiro Fujii
• Abstract要約: より深い完全畳み込みデータ記述(FCDD)を利用した異常検出アプリケーションを提案する。 崩壊した建物、交通事故、火災、洪水エリアの4つの災害カテゴリを持つデータセットAIDERに、多数のトレーニングとテスト結果を示す。 また、異常なクラス不均衡と、通常のクラスと競合するデータスケールに関するアブレーション研究も実施する。
• 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: Urban and rural areas can often be devastated by extreme natural disasters. Towards any disaster event, an initial response is the key to rescuing within 72 hours and prompt recovery. For the stage of initial responses, it is important to quickly recognize the disaster damage over a wide area and determine priority areas. Among machine learning algorithms, deep anomaly detection is effective in detecting devastated features that are different from ordinary vision everyday life. In addition, explainable computer vision applications have been expected to justify the initial responses. In this paper, we propose an anomaly detection application utilizing the deeper fully-convolutional data descriptions (FCDDs), that enables to localize devastated features and visualize damage-marked heatmaps. More concretely, we show numerous training and test results to a dataset AIDER with the four disaster categories: collapsed buildings, traffic accidents, fires, and flooding areas. We also implement ablation studies of anomalous class imbalance and the data scale competing against the normal class. Finally, we discuss future works to improve more robust, explainable applications for effective initial responses.
• Abstract（参考訳）: 都市部や農村部は、しばしば極度の自然災害によって荒廃する。 どんな災害でも、初期応答は72時間以内に救助し、迅速に回復するための鍵です。 初期対応の段階では,広範囲にわたる災害被害を迅速に認識し,最優先領域を決定することが重要である。 機械学習アルゴリズムのうち、深部異常検出は通常の視覚と異なる破壊的な特徴を検出するのに有効である。 さらに、説明可能なコンピュータビジョンアプリケーションは初期応答を正当化することが期待されている。 本稿では, 破壊的特徴の局所化と損傷マーク付きヒートマップの可視化を可能にする, 完全畳み込みデータ記述(FCDD)を用いた異常検出アプリケーションを提案する。 より具体的には、崩壊した建物、交通事故、火災、洪水地域という4つの災害カテゴリーを持つデータセットAIDERに対して、多数のトレーニングとテスト結果を示す。 また,異常クラス不均衡と正規クラスと競合するデータスケールのアブレーション研究も実施する。 最後に、より堅牢で説明可能な、効果的な初期応答アプリケーションを改善するための今後の取り組みについて論じる。

関連論文リスト

• Towards Efficient Disaster Response via Cost-effective Unbiased Class Rate Estimation through Neyman Allocation Stratified Sampling Active Learning [11.697034536189094]
  本稿では,二分分類のためのランダムサンプリング木を構築する革新的なアルゴリズムを提案する。 その結果,本手法は受動的および従来の能動的学習手法を超越していることが判明した。 従来のアクティブな学習戦略における「サンプルバイアス」の課題に効果的に対処する。
  論文  参考訳（メタデータ） (2024-05-28T01:34:35Z)
• One-class Damage Detector Using Deeper Fully-Convolutional Data Descriptions for Civil Application [0.0]
  モデルパラメータを最適化するために、通常の画像を使用することができる点において、一級損傷検出アプローチには利点がある。 本稿では,FCDDをベースラインモデルとして再現した一級損傷検出の汎用アプリケーションを提案する。
  論文  参考訳（メタデータ） (2023-03-03T06:27:15Z)
• Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal Discovery [49.084423861263524]
  本稿では,GIT を短縮した新しいグラディエント型インターベンションターゲティング手法を提案する。 GITは、介入獲得関数の信号を提供するために勾配に基づく因果探索フレームワークの勾配推定器を「信頼」する。 我々はシミュレーションおよび実世界のデータセットで広範な実験を行い、GITが競合するベースラインと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-11-24T17:04:45Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Deep-Disaster: Unsupervised Disaster Detection and Localization Using Visual Data [14.308913482163558]
  ソーシャルメディア画像の損傷を検知し、局所化する、教師なしのディープニューラルネットワークを提案する。 本手法は損傷領域の検出と局所化において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-01-31T19:21:44Z)
• 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)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• 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)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Improving Community Resiliency and Emergency Response With Artificial Intelligence [0.05541644538483946]
  我々は、ステークホルダーが包括的で関連性があり、信頼できる情報にタイムリーにアクセスできるようにする、多段階の緊急対応ツールを目指しています。 本ツールは, 浸水リスク位置, 道路ネットワーク強度, 浸水マップ, 浸水地や被害インフラを推定するコンピュータビジョンセマンティックセマンティックセマンティックセグメンテーションなど, オープンソースの地理空間データの複数の層を符号化して構成する。 これらのデータレイヤを組み合わせて、緊急時の避難経路の検索や、最初に影響を受けたエリアで最初の応答者のために利用可能な宿泊場所のリストを提供するなど、機械学習アルゴリズムの入力データとして利用する。
  論文  参考訳（メタデータ） (2020-05-28T18:05:08Z)
• 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。