論文の概要: Normalizing flow-based deep variational Bayesian network for seismic multi-hazards and impacts estimation from InSAR imagery
- arxiv url: http://arxiv.org/abs/2310.13805v2
- Date: Wed, 20 Mar 2024 16:23:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-21 22:27:37.273408
- Title: Normalizing flow-based deep variational Bayesian network for seismic multi-hazards and impacts estimation from InSAR imagery
- Title(参考訳): 反射型マルチハザードのための流れに基づく深部ベイズネットワークの正規化とInSAR画像による影響推定
- Authors: Xuechun Li, Paula M. Burgi, Wei Ma, Hae Young Noh, David J. Wald, Susu Xu,
- Abstract要約: インターフェロメトリ合成開口レーダ(InSAR)のデータは、迅速なハザード推定のために高解像度のオンサイト情報を提供する上で重要である。
InSAR画像のノイズによる影響と,複数の未観測障害の近接した後部から発生する流れの正規化による新しい変分推論を導入する。
- 参考スコア(独自算出の注目度): 11.753558942419545
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Onsite disasters like earthquakes can trigger cascading hazards and impacts, such as landslides and infrastructure damage, leading to catastrophic losses; thus, rapid and accurate estimates are crucial for timely and effective post-disaster responses. Interferometric Synthetic aperture radar (InSAR) data is important in providing high-resolution onsite information for rapid hazard estimation. Most recent methods using InSAR imagery signals predict a single type of hazard and thus often suffer low accuracy due to noisy and complex signals induced by co-located hazards, impacts, and irrelevant environmental changes (e.g., vegetation changes, human activities). We introduce a novel stochastic variational inference with normalizing flows derived to jointly approximate posteriors of multiple unobserved hazards and impacts from noisy InSAR imagery.
- Abstract(参考訳): 地震のような現場の災害は、地すべりやインフラの損傷などのカスケードの危険や影響を引き起こし、破滅的な損失をもたらす。
インターフェロメトリ合成開口レーダ(InSAR)のデータは、迅速なハザード推定のために高解像度のオンサイト情報を提供する上で重要である。
InSAR画像信号を用いた最近の手法は、単一種類のハザードを予測し、しばしば共配置のハザード、影響、および無関係な環境変化(例えば、植生の変化、人間活動)によって引き起こされるノイズや複雑な信号によって、低い精度を損なう。
InSAR画像のノイズによる影響と、複数の観測不能な障害の連続的後部からの正規化フローによる新しい確率的変動推論を導入する。
関連論文リスト
- Evaluating ML Robustness in GNSS Interference Classification, Characterization \& Localization [42.14439854721613]
ジャミング装置は、グローバルナビゲーション衛星システム(GNSS)からの信号を妨害することで重大な脅威をもたらす
周波数スナップショット内の異常の検出は、これらの干渉を効果的に対処するために重要である。
本稿では,制御されたマルチパス効果を含む大規模環境下での干渉をキャプチャする広範囲なデータセットを提案する。
論文 参考訳(メタデータ) (2024-09-23T15:20:33Z) - Typhoon Intensity Prediction with Vision Transformer [51.84456610977905]
台風強度を正確に予測するために「台風強度変換器(Tint)」を導入する。
Tintは、層ごとにグローバルな受容野を持つ自己認識機構を使用する。
公開されている台風ベンチマークの実験は、Tintの有効性を検証する。
論文 参考訳(メタデータ) (2023-11-28T03:11:33Z) - 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) - Novel features for the detection of bearing faults in railway vehicles [88.89591720652352]
我々は,Mel-Frequency Cepstral Coefficients (MFCCs) とAmplitude Modulation Spectrogram (AMS) から抽出した特徴を,軸受欠陥の検出のための特徴として紹介する。
論文 参考訳(メタデータ) (2023-04-14T10:09:50Z) - 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) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳(メタデータ) (2022-06-09T14:00:26Z) - Deep Learning Methods for Daily Wildfire Danger Forecasting [6.763972119525753]
森林火災の予測は、災害リスクの低減と環境の持続可能性にとって最重要課題である。
我々は、過去10年間の歴史的地球観測データを用いて、日々の火災危険予測を機械学習タスクとしてアプローチし、火災の危険を予測する。
我々のDLベースの実証概念は、既存の運用ソリューションよりもはるかに高解像度で、全国規模の1日あたりの火災危険マップを提供する。
論文 参考訳(メタデータ) (2021-11-04T10:39:12Z) - Deep Learning-based Damage Mapping with InSAR Coherence Time Series [3.286503080462008]
本研究では, 深層学習とSAR観測のフルタイム履歴を組み合わせた損傷マッピング手法を提案する。
我々は、インターフェロメトリSARコヒーレンス時系列を用いて地球表面の変化を定量化し、確率的異常検出器としてリカレントニューラルネットワーク(RNN)を用いる。
本研究では,Sentinel-1 SAR の複数年連続取得による3つの地震の被害予測に本手法を適用した。
論文 参考訳(メタデータ) (2021-05-24T21:21:03Z) - From Static to Dynamic Prediction: Wildfire Risk Assessment Based on
Multiple Environmental Factors [69.9674326582747]
ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。
カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
論文 参考訳(メタデータ) (2021-03-14T17:56:17Z) - 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) - 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。