論文の概要: Tiered approach for rapid damage characterisation of infrastructure
enabled by remote sensing and deep learning technologies
- arxiv url: http://arxiv.org/abs/2401.17759v1
- Date: Wed, 31 Jan 2024 11:36:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-01 14:52:44.664498
- Title: Tiered approach for rapid damage characterisation of infrastructure
enabled by remote sensing and deep learning technologies
- Title(参考訳): リモートセンシングとディープラーニングによるインフラストラクチャの迅速な損傷特性化のための階層化アプローチ
- Authors: Nadiia Kopiika, Andreas Karavias, Pavlos Krassakis, Zehao Ye, Jelena
Ninic, Nataliya Shakhovska, Nikolaos Koukouzas, Sotirios Argyroudis,
Stergios-Aristoteles Mitoulis
- Abstract要約: 橋などの重要なインフラは、戦争や紛争の間、体系的に標的にされている。
異なるスケールで損傷を特徴づける方法は存在しない。
本稿では,この能力ギャップを埋めるための3段階の階層化手法を提案する。
- 参考スコア(独自算出の注目度): 0.5018974919510384
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Critical infrastructure such as bridges are systematically targeted during
wars and conflicts. This is because critical infrastructure is vital for
enabling connectivity and transportation of people and goods, and hence,
underpinning the national and international defence planning and economic
growth. Mass destruction of bridges, along with minimal or no accessibility to
these assets during natural and anthropogenic disasters, prevents us from
delivering rapid recovery. As a result, systemic resilience is drastically
reduced. A solution to this challenge is to use technology for stand-off
observations. Yet, no method exists to characterise damage at different scales,
i.e. regional, asset, and structural (component), and more so there is little
or no systematic correlation between assessments at scale. We propose an
integrated three-level tiered approach to fill this capability gap, and we
demonstrate the methods for damage characterisation enabled by fit-for-purpose
digital technologies. Next, this method is applied and validated to a case
study in Ukraine that includes 17 bridges. From macro to micro, we deploy
technology at scale, from Sentinel-1 SAR images, crowdsourced information, and
high-resolution images to deep learning for damaged infrastructure. For the
first time, the interferometric coherence difference and semantic segmentation
of images were deployed to improve the reliability of damage characterisations
from regional to infrastructure component level, when enhanced assessment
accuracy is required. This integrated method improves the speed of
decision-making, and thus, enhances resilience. Keywords: critical
infrastructure, damage characterisation, targeted attacks, restoration
- Abstract(参考訳): 橋などの重要なインフラは戦争や紛争の間、体系的に標的にされている。
これは、人や商品の接続と輸送を可能にするために重要なインフラが不可欠であり、したがって国家や国際防衛計画や経済成長の基盤となっているためである。
橋の大量破壊は、自然災害や人為的な災害の際にこれらの資産へのアクセシビリティが最小限または全くなく、急速な回復をもたらすのを防いでいる。
その結果、システムのレジリエンスは劇的に低下する。
この課題の解決策は、待機観察に技術を使用することである。
しかし、地域、資産、構造(構成要素)など、異なるスケールでの損傷を特徴づける方法が存在しないため、スケールでのアセスメントの間には体系的な相関がほとんどあるいは全くない。
我々は,この能力ギャップを埋めるための3レベル階層化手法を提案し,汎用ディジタル技術によって実現される損傷特性化手法を実証する。
次に、この手法を17本の橋を含むウクライナのケーススタディに適用し、検証する。
マクロからマイクロまで、Sentinel-1 SAR画像、クラウドソース情報、高解像度画像から、損傷したインフラストラクチャのディープラーニングまで、大規模に展開する。
評価精度の向上が要求される場合, 画像の干渉コヒーレンス差と意味セグメンテーションを初めて配置し, 損傷特性の信頼性を地域レベルからインフラコンポーネントレベルに向上させた。
この統合手法により意思決定のスピードが向上し、レジリエンスが向上する。
キーワード: 重要なインフラストラクチャ、ダメージ特性化、標的攻撃、修復
関連論文リスト
- Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。
我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
論文 参考訳(メタデータ) (2024-04-04T06:24:11Z) - FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。
本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。
本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文 参考訳(メタデータ) (2024-03-26T08:51:23Z) - Disentangling the Causes of Plasticity Loss in Neural Networks [55.23250269007988]
可塑性の喪失は複数の独立したメカニズムに分解できることを示す。
種々の非定常学習タスクにおいて, 層正規化と重み劣化の組み合わせは, 可塑性維持に極めて有効であることを示す。
論文 参考訳(メタデータ) (2024-02-29T00:02:33Z) - Mechanics-Informed Autoencoder Enables Automated Detection and
Localization of Unforeseen Structural Damage [13.53603225917954]
本稿では,構造物の損傷の自動検出と局所化のための新しい"deploy-and-forget"手法を提案する。
これは、安価なセンサーとメカニックインフォームドオートエンコーダによる完全な受動的測定の相乗的な組み合わせに基づいている。
わずか3時間のデータから学習すると、さまざまな種類の予期せぬ損傷を自律的に検出し、ローカライズすることができる。
論文 参考訳(メタデータ) (2024-02-23T18:31:02Z) - AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation
Using Intelligent Sensing System [52.93806509364342]
本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。
本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。
本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
論文 参考訳(メタデータ) (2023-12-18T12:37:35Z) - 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) - EmergencyNet: Efficient Aerial Image Classification for Drone-Based
Emergency Monitoring Using Atrous Convolutional Feature Fusion [8.634988828030245]
本稿では,緊急対応・監視用uavの航空機画像の効率的な分類について述べる。
緊急対応アプリケーションのための専用空中画像データベースを導入し、既存のアプローチの比較分析を行う。
マルチレゾリューション機能を処理するために,アトラス畳み込みに基づく軽量畳み込みニューラルネットワークアーキテクチャが提案されている。
論文 参考訳(メタデータ) (2021-04-28T20:24:10Z) - Machine learning dismantling and early-warning signals of disintegration
in complex systems [0.0]
比較的小さなシステムを分解する訓練された機械が高次位相パターンを識別可能であることを示す。
注目すべきは、マシンが次の攻撃でシステムが崩壊する確率を評価することだ。
論文 参考訳(メタデータ) (2021-01-07T09:39:13Z) - 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) - Real-world Person Re-Identification via Degradation Invariance Learning [111.86722193694462]
現実のシナリオにおける人物再識別(Re-ID)は通常、低解像度、弱い照明、ぼやけ、悪天候などの様々な劣化要因に悩まされる。
本稿では,現実世界のRe-IDを対象とした劣化不変学習フレームワークを提案する。
自己教師付き不整合表現学習戦略を導入することにより,個人性に関連する頑健な特徴を同時に抽出することができる。
論文 参考訳(メタデータ) (2020-04-10T07:58:50Z)
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。