論文の概要: Learning Efficient Unsupervised Satellite Image-based Building Damage Detection

• arxiv url: http://arxiv.org/abs/2312.01576v1
• Date: Mon, 4 Dec 2023 02:20:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 16:32:56.945928
• Title: Learning Efficient Unsupervised Satellite Image-based Building Damage Detection
• Title（参考訳）: 教師なし衛星画像による建物被害検出の学習
• Authors: Yiyun Zhang, Zijian Wang, Yadan Luo, Xin Yu, Zi Huang
• Abstract要約: 建物被害検出(BDD)手法は, 常に, 建物とその条件に対する, 労働集約的なピクセルレベルのアノテーションを必要とする。 本稿では,未解決の衛星画像ペアのみを提供するU-BDDの挑戦的かつ実践的なシナリオについて検討する。 衛星画像に関連する領域固有の問題に対処することで、U-BDDベースラインを改善する、新しい自己教師型フレームワークU-BDD++を提案する。
• 参考スコア（独自算出の注目度）: 43.06758527206676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing Building Damage Detection (BDD) methods always require labour-intensive pixel-level annotations of buildings and their conditions, hence largely limiting their applications. In this paper, we investigate a challenging yet practical scenario of BDD, Unsupervised Building Damage Detection (U-BDD), where only unlabelled pre- and post-disaster satellite image pairs are provided. As a pilot study, we have first proposed an advanced U-BDD baseline that leverages pre-trained vision-language foundation models (i.e., Grounding DINO, SAM and CLIP) to address the U-BDD task. However, the apparent domain gap between satellite and generic images causes low confidence in the foundation models used to identify buildings and their damages. In response, we further present a novel self-supervised framework, U-BDD++, which improves upon the U-BDD baseline by addressing domain-specific issues associated with satellite imagery. Furthermore, the new Building Proposal Generation (BPG) module and the CLIP-enabled noisy Building Proposal Selection (CLIP-BPS) module in U-BDD++ ensure high-quality self-training. Extensive experiments on the widely used building damage assessment benchmark demonstrate the effectiveness of the proposed method for unsupervised building damage detection. The presented annotation-free and foundation model-based paradigm ensures an efficient learning phase. This study opens a new direction for real-world BDD and sets a strong baseline for future research.
• Abstract（参考訳）: 既存のビル損傷検出(bdd)メソッドは、常に労働集約的な建物とその条件のピクセルレベルアノテーションを必要とします。 本稿では,未解決の衛星画像ペアのみを提供する,BDDの難解かつ実用的なシナリオであるUnsupervised Building damage Detection (U-BDD)について検討する。 パイロットスタディとして、私たちはまず、事前訓練されたビジョン言語基盤モデル(Grounding DINO、SAM、CLIP)を活用して、U-BDDタスクに対処する高度なU-BDDベースラインを提案しました。 しかし、衛星画像と一般画像の間の明らかな領域ギャップは、建物とその損傷を特定するのに使用される基礎モデルの信頼性を低下させる。 さらに,衛星画像に関連する領域固有の問題に対処することで,U-BDDベースラインを改善する,新たな自己教師型フレームワークU-BDD++を提案する。 さらに、U-BDD++の新しいビルディング提案生成(BPG)モジュールとCLIP対応のノイズ発生提案選択(CLIP-BPS)モジュールは、高品質なセルフトレーニングを保証する。 広範に使用される建物損傷評価ベンチマークの広範な実験により,提案手法の有効性が実証された。 提案したアノテーションのない基礎モデルに基づくパラダイムは、効率的な学習フェーズを保証する。 この研究は、現実世界のBDDの新しい方向性を開き、将来の研究の基盤となる。

関連論文リスト

• SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
  本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。 提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
  論文  参考訳（メタデータ） (2023-04-10T11:10:42Z)
• Detecting Building Changes with Off-Nadir Aerial Images [37.58581646229069]
  船外画像の傾いた視認は、建物変更検出問題に深刻な課題をもたらす。 本稿ではMTGCD-Netと呼ばれるマルチタスクガイドによる変更検出ネットワークモデルを提案する。 我々のモデルは、これまでの最先端の競合他社よりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-01-26T04:04:14Z)
• xFBD: Focused Building Damage Dataset and Analysis [7.862669992685641]
  我々は、元のxView2コンペティションに補助的な挑戦を提案する。 この新たな課題は、損傷がxBDよりも局所的で制限された場合のソリューションパフォーマンスを示す新しいデータセットとメトリクスである。 この課題に成功する方法は、元のxView2ソリューションよりもきめ細かな、正確な損傷情報を提供する。
  論文  参考訳（メタデータ） (2022-12-23T21:01:18Z)
• Self-Supervised Learning for Building Damage Assessment from Large-scale xBD Satellite Imagery Benchmark Datasets [3.2248805768155826]
  本稿では,ラベル付きデータを必要としない自己教師付き比較学習手法を提案する。 我々は、新しい非対称なツインネットワークアーキテクチャを構築し、その性能をxBDデータセット上で検証した。
  論文  参考訳（メタデータ） (2022-05-31T11:08:35Z)
• Exploring Adversarially Robust Training for Unsupervised Domain Adaptation [71.94264837503135]
  Unsupervised Domain Adaptation (UDA)メソッドは、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的としている。 本稿では、UDAのドメイン不変性を学習しながら、ATを介してラベルなしデータのロバスト性を高める方法について検討する。 本稿では,ARTUDA と呼ばれる UDA の適応的ロバストトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-02-18T17:05:19Z)
• Buildings Classification using Very High Resolution Satellite Imagery [0.769672852567215]
  住宅・非住宅の建物被害評価(BDA)とビルタイプ分類(BTC)に着目した。 まず,意味的セグメンテーションモデルを用いて建物の足跡を抽出する2段階のディープラーニング手法を提案する。 提案手法をF1スコアの精度と精度を示す2つのアプリケーションで検証する。
  論文  参考訳（メタデータ） (2021-11-29T16:07:04Z)
• Temporal Action Detection with Multi-level Supervision [116.55596693897388]
  本稿では,ラベル付きデータとラベルなしデータを組み合わせたSemi-supervised Action Detection (SSAD)タスクを紹介する。 半教師付き分類タスクから直接適応したSSADベースラインの異なるタイプのエラーを解析する。 我々は,弱いラベル付きデータをSSADに組み込んで,3段階の監視レベルを持つOmni-supervised Action Detection (OSAD)を提案する。
  論文  参考訳（メタデータ） (2020-11-24T04:45:17Z)
• 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)
• 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。