論文の概要: Rapid building damage assessment workflow: An implementation for the 2023 Rolling Fork, Mississippi tornado event

• arxiv url: http://arxiv.org/abs/2306.12589v2
• Date: Thu, 24 Aug 2023 21:26:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-28 16:59:50.643813
• Title: Rapid building damage assessment workflow: An implementation for the 2023 Rolling Fork, Mississippi tornado event
• Title（参考訳）: 急激な建物被害評価ワークフロー:ミシシッピ州ローリングフォークでの2023年の竜巻イベントの実施
• Authors: Caleb Robinson, Simone Fobi Nsutezo, Anthony Ortiz, Tina Sederholm, Rahul Dodhia, Cameron Birge, Kasie Richards, Kris Pitcher, Paulo Duarte, Juan M. Lavista Ferres
• Abstract要約: 本稿では,自然災害後の建物被害評価モデルを迅速に訓練するためのヒューマン・イン・ザ・ループ・ワークフローを提案する。 この記事では、2023年3月にミシシッピ州ローリングフォークで行われた竜巻イベントにおいて、アメリカ赤十字社と共同で実施されたこのワークフローを使用したケーススタディについて説明する。 提案手法の精度は0.86, 損傷建物は0.80であった。
• 参考スコア（独自算出の注目度）: 4.08156787395201
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rapid and accurate building damage assessments from high-resolution satellite imagery following a natural disaster is essential to inform and optimize first responder efforts. However, performing such building damage assessments in an automated manner is non-trivial due to the challenges posed by variations in disaster-specific damage, diversity in satellite imagery, and the dearth of extensive, labeled datasets. To circumvent these issues, this paper introduces a human-in-the-loop workflow for rapidly training building damage assessment models after a natural disaster. This article details a case study using this workflow, executed in partnership with the American Red Cross during a tornado event in Rolling Fork, Mississippi in March, 2023. The output from our human-in-the-loop modeling process achieved a precision of 0.86 and recall of 0.80 for damaged buildings when compared to ground truth data collected post-disaster. This workflow was implemented end-to-end in under 2 hours per satellite imagery scene, highlighting its potential for real-time deployment.
• Abstract（参考訳）: 自然災害後の高解像度衛星画像からの迅速かつ正確な建物損傷評価は,第一応答者への情報提供と最適化に不可欠である。 しかし、災害固有の被害のばらつき、衛星画像の多様性、広範囲なラベル付きデータセットの破壊などによって生じる課題のため、このような建物被害評価を自動で行うことは簡単ではない。 そこで本稿では,災害後の建物被害評価モデルを迅速に訓練するためのヒューマン・イン・ザ・ループ・ワークフローを提案する。 この記事では,2023年3月にミシシッピ州ローリングフォークで行われた竜巻イベントにおいて,アメリカ赤十字社と共同で実施した,このワークフローを用いたケーススタディについて詳述する。 提案手法の精度は0.86, 損傷建物は0.80であった。 このワークフローは、衛星画像のシーン毎に2時間以内でエンドツーエンドに実装され、リアルタイムデプロイメントの可能性を強調した。

関連論文リスト

• Fast Information Streaming Handler (FisH): A Unified Seismic Neural Network for Single Station Real-Time Earthquake Early Warning [56.45067876391473]
  既存のEEWアプローチは、フェーズの選択、位置推定、大きさ推定を独立したタスクとして扱い、統一されたフレームワークを欠いている。 我々は高速情報ストリーミングハンドラー(FisH)と呼ばれる新しい統合型地震波ニューラルネットワークを提案する。 FisHは、リアルタイムストリーミング地震データを処理し、位相選択、位置推定、大きさ推定をエンドツーエンドで同時生成するように設計されている。
  論文  参考訳（メタデータ） (2024-08-13T04:33:23Z)
• Post-hurricane building damage assessment using street-view imagery and structured data: A multi-modal deep learning approach [1.748885212343545]
  我々は,Multi-Modal Swin Transformer (MMST) という,ハリケーン後の建物被害分類のための新しいマルチモーダルアプローチを提案する。 フロリダ州の2022年ハリケーンIanから収集したデータを用いて,提案したMMSTを実験的に訓練し,評価した。 その結果、MMSTは選択された最先端ベンチマークモデルよりも優れており、精度は92.67%であることがわかった。
  論文  参考訳（メタデータ） (2024-04-11T00:23:28Z)
• CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster Tweet Classification [51.58605842457186]
  半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。 私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
  論文  参考訳（メタデータ） (2023-10-23T07:01:09Z)
• Causality-informed Rapid Post-hurricane Building Damage Detection in Large Scale from InSAR Imagery [6.331801334141028]
  ハリケーンによる建物被害のタイムリーかつ正確な評価は、ハリケーン後の効果的な応答と復旧に不可欠である。 近年,リモートセンシング技術は,災害発生直後の大規模光合成開口レーダ(InSAR)画像データを提供する。 これらのInSAR画像は、しばしば、人為的活動と同様に、建物損傷、洪水・風による植生変化、および建物損傷の同時発生または同時発生によって引き起こされる、非常に騒々しく混ざった信号を含んでいる。 本稿では,InSAR画像からハリケーン後の建物被害の迅速検出手法を提案する。
  論文  参考訳（メタデータ） (2023-10-02T18:56:05Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Disaster mapping from satellites: damage detection with crowdsourced point labels [4.511561231517167]
  災害直後の高解像度衛星画像は、応答計画に不可欠である。 このスケールでのダメージマッピングには、何百人もの熟練した個人時間が必要です。 クラウドソーシングと最近のディープラーニングの進歩は、数時間のリアルタイム実行に必要な労力を減らす。
  論文  参考訳（メタデータ） (2021-11-05T18:32:22Z)
• Post-Hurricane Damage Assessment Using Satellite Imagery and Geolocation Features [0.2538209532048866]
  本研究では,被災地の衛星画像と位置情報を活用し,災害後の被害建物を識別する混合データ手法を提案する。 この手法は、2017年のヒューストン大都市圏におけるハリケーン・ハーベイのケーススタディに基づいて、画像のみを用いて同様の作業を行うことで大幅に改善した。 本研究では,画像特徴に付加的な情報を提供するために位置情報機能の創造的な選択を行ったが,ドメイン知識や災害の種類に応じて,イベントの物理的挙動をモデル化するための他の機能を含めることはユーザ次第である。
  論文  参考訳（メタデータ） (2020-12-15T21:30:19Z)
• 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)
• Cross-directional Feature Fusion Network for Building Damage Assessment from Satellite Imagery [26.767229623170497]
  衛星画像からの損傷評価は、効果的な応答を行う前に重要となる。 本稿では,事前画像と事後画像の相関関係をよりよく解明するための,新たな双方向融合戦略を提案する。 提案手法は,大規模建物被害評価データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-10-27T02:49:52Z)
• Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
  我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。 物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。 この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
  論文  参考訳（メタデータ） (2020-10-16T02:15:34Z)
• 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。