論文の概要: Building Damage Assessment in Conflict Zones: A Deep Learning Approach Using Geospatial Sub-Meter Resolution Data

• arxiv url: http://arxiv.org/abs/2410.04802v1
• Date: Mon, 7 Oct 2024 07:26:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 01:47:52.604261
• Title: Building Damage Assessment in Conflict Zones: A Deep Learning Approach Using Geospatial Sub-Meter Resolution Data
• Title（参考訳）: 衝突帯における建物被害評価:地空間サブメートル分解能データを用いた深層学習手法
• Authors: Matteo Risso, Alessia Goffi, Beatrice Alessandra Motetti, Alessio Burrello, Jean Baptiste Bove, Enrico Macii, Massimo Poncino, Daniele Jahier Pagliari, Giuseppe Maffeis,
• Abstract要約: 我々は,ウクライナのマリプオール市における,紛争前の画像と紛争後の画像を用いた注釈付きデータセットを構築した。 次に、ゼロショットおよび学習シナリオの両方において、CNNモデルの転送可能性について検討する。 これは、サブメートル分解能画像を用いて戦闘帯の建物損傷を評価する最初の研究である。
• 参考スコア（独自算出の注目度）: 9.146968506196446
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Very High Resolution (VHR) geospatial image analysis is crucial for humanitarian assistance in both natural and anthropogenic crises, as it allows to rapidly identify the most critical areas that need support. Nonetheless, manually inspecting large areas is time-consuming and requires domain expertise. Thanks to their accuracy, generalization capabilities, and highly parallelizable workload, Deep Neural Networks (DNNs) provide an excellent way to automate this task. Nevertheless, there is a scarcity of VHR data pertaining to conflict situations, and consequently, of studies on the effectiveness of DNNs in those scenarios. Motivated by this, our work extensively studies the applicability of a collection of state-of-the-art Convolutional Neural Networks (CNNs) originally developed for natural disasters damage assessment in a war scenario. To this end, we build an annotated dataset with pre- and post-conflict images of the Ukrainian city of Mariupol. We then explore the transferability of the CNN models in both zero-shot and learning scenarios, demonstrating their potential and limitations. To the best of our knowledge, this is the first study to use sub-meter resolution imagery to assess building damage in combat zones.
• Abstract（参考訳）: 超高解像度(VHR)地理空間画像解析は、自然災害と人為的危機の両方において人道支援に不可欠である。 それでも、大規模な領域を手動で検査するのは時間がかかり、ドメインの専門知識が必要です。 その正確性、一般化機能、高度に並列化可能なワークロードのおかげで、Deep Neural Networks(DNN)は、このタスクを自動化する優れた方法を提供します。 それにもかかわらず、紛争状況に関連するVHRデータが不足しており、その結果、これらのシナリオにおけるDNNの有効性についての研究が行われている。 そこで本研究では,戦時シナリオにおける自然災害被害評価のために開発された,最先端の畳み込みニューラルネットワーク(CNN)の適用性について検討した。 この目的のために、我々はウクライナのマリプオール市の、事前および紛争後の画像を含む注釈付きデータセットを構築した。 次に、ゼロショットと学習シナリオの両方でCNNモデルの転送可能性を検討し、その可能性と限界を実証する。 我々の知る限りでは、これは戦闘地帯の建物被害を評価するためにサブメーター解像度画像を使用した最初の研究である。

関連論文リスト

• Cross-View Geolocalization and Disaster Mapping with Street-View and VHR Satellite Imagery: A Case Study of Hurricane IAN [9.128051274958356]
  本研究では,地すべりと損傷知覚推定を同時に行う新しい災害対応フレームワーク,CVDisasterを提案する。 CVDisasterは2つのクロスビューモデルから構成されており、CVDisaster-Geolocはクロスビューなジオローカライゼーションモデルを指す。 CVDisasterは, 微調整を限定して高い競争性能(局地化80%以上, 損傷知覚推定75%以上)を達成できることを示す。
  論文  参考訳（メタデータ） (2024-08-13T09:37:26Z)
• 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)
• Deep Learning in Earthquake Engineering: A Comprehensive Review [0.0]
  この文献は、Deep Learning (DL) と地震工学を横断する一貫したスコープを体系的にカバーする包括的なレビューを欠いている。 本稿では、まず、多層パーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)、再帰ニューラルネットワーク(RNN)、生成的敵ネットワーク(GAN)、オートエンコーダ(AE)、転送学習(TL)、強化学習(RL)、グラフニューラルネットワーク(GNN)など、様々なDL技術の解明に向けた方法論的進歩について論じる。 その後、視覚に基づく地震被害評価、構造的特徴、地震の需要、など、さまざまな研究分野にわたるDL応用を探求することで、徹底的な研究展望が明らかにされる。
  論文  参考訳（メタデータ） (2024-05-15T01:22:30Z)
• AB2CD: AI for Building Climate Damage Classification and Detection [0.0]
  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。
  論文  参考訳（メタデータ） (2023-09-03T03:37:04Z)
• Adversarial training with informed data selection [53.19381941131439]
  アドリアリトレーニングは、これらの悪意のある攻撃からネットワークを守るための最も効率的なソリューションである。 本研究では,ミニバッチ学習に適用すべきデータ選択戦略を提案する。 シミュレーションの結果,ロバスト性および標準精度に関して良好な妥協が得られることがわかった。
  論文  参考訳（メタデータ） (2023-01-07T12:09:50Z)
• A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
  本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。 このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
  論文  参考訳（メタデータ） (2022-11-04T09:58:57Z)
• 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)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)
• 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)
• DeFeat-Net: General Monocular Depth via Simultaneous Unsupervised Representation Learning [65.94499390875046]
  DeFeat-Netは、クロスドメインの高密度な特徴表現を同時に学習するアプローチである。 提案手法は, 誤差対策を全て10%程度減らすことで, 最先端技術よりも優れる。
  論文  参考訳（メタデータ） (2020-03-30T13:10:32Z)

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。