論文の概要: AB2CD: AI for Building Climate Damage Classification and Detection
- arxiv url: http://arxiv.org/abs/2309.01066v1
- Date: Sun, 3 Sep 2023 03:37:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 23:26:47.602364
- Title: AB2CD: AI for Building Climate Damage Classification and Detection
- Title（参考訳）: AB2CD: 気候変動の分類と検出のためのAI
- Authors: Maximilian Nitsche (1 and 2), S. Karthik Mukkavilli (3), Niklas K\"uhl
(4 and 1), Thomas Brunschwiler (3) ((1) IBM Consulting, Germany, (2)
Karlsruhe Institute of Technology, Germany, (3) IBM Research - Europe,
Switzerland (4) University of Bayreuth, Germany)
- Abstract要約: 本研究では, 自然災害の文脈において, 建物の損傷評価を正確に行うための深層学習手法の実装について検討する。
我々は,低品質・騒音ラベルの影響を考慮しつつ,新たな災害・地域への一般化の課題に取り組む。
我々の研究結果は、気候変動によって引き起こされる極端気象事象の影響評価を強化するための高度なAIソリューションの可能性と限界を示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We explore the implementation of deep learning techniques for precise
building damage assessment in the context of natural hazards, utilizing remote
sensing data. The xBD dataset, comprising diverse disaster events from across
the globe, serves as the primary focus, facilitating the evaluation of deep
learning models. We tackle the challenges of generalization to novel disasters
and regions while accounting for the influence of low-quality and noisy labels
inherent in natural hazard data. Furthermore, our investigation quantitatively
establishes that the minimum satellite imagery resolution essential for
effective building damage detection is 3 meters and below 1 meter for
classification using symmetric and asymmetric resolution perturbation analyses.
To achieve robust and accurate evaluations of building damage detection and
classification, we evaluated different deep learning models with residual,
squeeze and excitation, and dual path network backbones, as well as ensemble
techniques. Overall, the U-Net Siamese network ensemble with F-1 score of 0.812
performed the best against the xView2 challenge benchmark. Additionally, we
evaluate a Universal model trained on all hazards against a flood expert model
and investigate generalization gaps across events, and out of distribution from
field data in the Ahr Valley. Our research findings showcase the potential and
limitations of advanced AI solutions in enhancing the impact assessment of
climate change-induced extreme weather events, such as floods and hurricanes.
These insights have implications for disaster impact assessment in the face of
escalating climate challenges.
- Abstract（参考訳）: 本研究では,遠隔センシングデータを利用した自然災害時の建物被害評価のための深層学習手法の実装について検討する。
世界中のさまざまな災害イベントからなるxBDデータセットは、ディープラーニングモデルの評価を容易にする主要な焦点となっている。
自然災害データに内在する低品質・騒音ラベルの影響を考慮しつつ,新しい災害・地域への一般化の課題に取り組む。
さらに, 建物損傷検出に必須な最小衛星画像解像度は, 対称および非対称分解能の摂動解析を用いて分類に3メートル以下であることが定量的に証明された。
建築物の損傷検出と分類の堅牢かつ正確な評価を実現するため, 残差, 圧縮, 励振, 二重経路のネットワークバックボーン, アンサンブル技術を用いて異なる深層学習モデルの評価を行った。
総じて、f-1スコア0.812のu-net siameseネットワークアンサンブルは、xview2チャレンジベンチマークで最高の成績を収めた。
さらに,洪水専門家モデルに対するすべてのハザードを訓練したユニバーサルモデルを評価し,イベント間の一般化ギャップと,Ahrバレーのフィールドデータからの分布を調査する。
我々の研究結果は、気候変動によって引き起こされる洪水やハリケーンなどの極端な気象事象の影響評価を強化するための高度なAIソリューションの可能性と限界を示している。
これらの知見は、気候問題がエスカレートする中での災害影響評価に影響を及ぼす。
関連論文リスト
- Generalizable Disaster Damage Assessment via Change Detection with Vision Foundation Model [17.016411785224317]
本稿では, DAVI(Disaster Assessment with VIsion foundation model)を提案する。
DAVIは、ソース領域でトレーニングされたモデルからイメージセグメンテーション基礎モデルにタスク固有の知識を統合し、ターゲット領域の損傷の可能性を示す擬似ラベルを生成する。
次に、ピクセルと全体像の両方をターゲットとした2段階の精細化プロセスを使用して、災害現場におけるより正確に変化を特定します。
論文 参考訳（メタデータ） (2024-06-12T09:21:28Z) - 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) - 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) - The RoboDepth Challenge: Methods and Advancements Towards Robust Depth Estimation [97.63185634482552]
我々は,RoboDepth Challengeの優勝ソリューションを要約する。
この課題は、堅牢なOoD深度推定を容易にし、前進させるように設計された。
この課題が、堅牢で信頼性の高い深度推定に関する将来の研究の基盤となることを願っている。
論文 参考訳（メタデータ） (2023-07-27T17:59:56Z) - Classification of structural building damage grades from multi-temporal
photogrammetric point clouds using a machine learning model trained on
virtual laser scanning data [58.720142291102135]
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。
論文 参考訳（メタデータ） (2023-02-24T12:04:46Z) - 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) - 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) - Learning from Multimodal and Multitemporal Earth Observation Data for
Building Damage Mapping [17.324397643429638]
我々は、損傷マッピングを構築するためのグローバルなマルチセンサとマルチテンポラルデータセットを開発した。
グローバルデータセットには、高解像度の光学画像と高解像度のマルチバンドSARデータが含まれている。
我々は、深層畳み込みニューラルネットワークアルゴリズムに基づいて、損傷建物の意味的セグメンテーションのための損傷マッピングフレームワークを定義した。
論文 参考訳（メタデータ） (2020-09-14T05:04:19Z) - Comprehensive Semantic Segmentation on High Resolution UAV Imagery for
Natural Disaster Damage Assessment [0.26249027950824505]
災害シナリオにおける視覚知覚のための大規模ハリケーン・マイケルデータセットを提案する。
セマンティックセグメンテーションのための最先端のディープニューラルネットワークモデルを分析する。
論文 参考訳（メタデータ） (2020-09-02T17:07:28Z) - 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) - 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。