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/2401.17759v2
- Date: Thu, 1 Feb 2024 08:26:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 11:53:12.908662
- 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
- PAIF: Perception-Aware Infrared-Visible Image Fusion for Attack-Tolerant
Semantic Segmentation [50.556961575275345]
対向シーンにおけるセグメンテーションの堅牢性を促進するための認識認識型融合フレームワークを提案する。
我々は,先進の競争相手に比べて15.3% mIOUの利得で,ロバスト性を大幅に向上させることを示す。
論文 参考訳(メタデータ) (2023-08-08T01:55:44Z) - Detecting Vulnerable Nodes in Urban Infrastructure Interdependent
Network [30.78792992230233]
我々は、相互依存型ネットワークを異種グラフとしてモデル化し、強化学習を用いたグラフニューラルネットワークに基づくシステムを提案する。
提案システムは,深層学習技術を活用して異種グラフを解析し,カスケード故障のリスクを把握し,都市の脆弱なインフラを発見する。
論文 参考訳(メタデータ) (2023-07-19T09:53:56Z) - A Comprehensive Study on Robustness of Image Classification Models:
Benchmarking and Rethinking [54.89987482509155]
ディープニューラルネットワークのロバスト性は、通常、敵の例、共通の腐敗、分散シフトに欠けている。
画像分類タスクにおいてtextbfARES-Bench と呼ばれる総合的なベンチマークロバスト性を確立する。
それに応じてトレーニング設定を設計することにより、新しい最先端の対人ロバスト性を実現する。
論文 参考訳(メタデータ) (2023-02-28T04:26:20Z) - IIVA: A Simulation Based Generalized Framework for Interdependent
Infrastructure Vulnerability Assessment [0.0]
本稿では,新たなインフラストラクチャ脆弱性評価フレームワークを提案する。
コンポーネントの初期失敗率が高いほど、インフラストラクチャの脆弱性が大きくなることが観察された。
論文 参考訳(メタデータ) (2022-12-13T20:37:03Z) - Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。
シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文 参考訳(メタデータ) (2022-03-25T19:57:19Z) - 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) - Postdisaster image-based damage detection and repair cost estimation of
reinforced concrete buildings using dual convolutional neural networks [2.5048502067705103]
YOLO-v2と呼ばれる物体検出ニューラルネットワークが実装され、トレーニングおよびテストにおける平均精度は98.2%と84.5%である。
提案したYOLO-v2は分類ニューラルネットワークと組み合わせて, 鉄筋コンクリート構造物の臨界損傷状態の同定精度を7.5%向上させる。
論文 参考訳(メタデータ) (2021-11-16T00:15:39Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳(メタデータ) (2021-08-19T11:02:25Z) - Targeted Physical-World Attention Attack on Deep Learning Models in Road
Sign Recognition [79.50450766097686]
本稿では,現実の道路標識攻撃に対するTAA手法を提案する。
実験の結果,TAA法は攻撃成功率(約10%)を向上し,RP2法と比較して摂動損失(約4分の1)を減少させることがわかった。
論文 参考訳(メタデータ) (2020-10-09T02:31:34Z) - 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。