論文の概要: Accelerating Post-Tornado Disaster Assessment Using Advanced Deep Learning Models

• arxiv url: http://arxiv.org/abs/2412.18147v1
• Date: Tue, 24 Dec 2024 04:04:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:55:05.038487
• Title: Accelerating Post-Tornado Disaster Assessment Using Advanced Deep Learning Models
• Title（参考訳）: 高度深層学習モデルを用いた竜巻後災害評価の高速化
• Authors: Robinson Umeike, Thang Dao, Shane Crawford,
• Abstract要約: 本研究は,先進的な深層学習モデルを用いて,災害後の評価を自動化する革新的なアプローチを導入する。 提案システムは,災害現場の画像や映像を高速に解析するために,最先端のコンピュータビジョン技術を用いている。 実験の結果,ResNet50の精度は90.28%,画像毎の推定時間は1529msであり,有望な性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Post-disaster assessments of buildings and infrastructure are crucial for both immediate recovery efforts and long-term resilience planning. This research introduces an innovative approach to automating post-disaster assessments through advanced deep learning models. Our proposed system employs state-of-the-art computer vision techniques (YOLOv11 and ResNet50) to rapidly analyze images and videos from disaster sites, extracting critical information about building characteristics, including damage level of structural components and the extent of damage. Our experimental results show promising performance, with ResNet50 achieving 90.28% accuracy and an inference time of 1529ms per image on multiclass damage classification. This study contributes to the field of disaster management by offering a scalable, efficient, and objective tool for post-disaster analysis, potentially capable of transforming how communities and authorities respond to and learn from catastrophic events.
• Abstract（参考訳）: 建物とインフラの災害後の評価は、即時復旧と長期のレジリエンス計画の両方に不可欠である。 本研究は,先進的な深層学習モデルを用いて,災害後の評価を自動化する革新的なアプローチを導入する。 提案システムでは,災害現場からの画像や映像を高速に解析し,構造物の損傷レベルや損傷範囲など,建築特性に関する重要な情報を抽出するために,最先端のコンピュータビジョン技術(YOLOv11,ResNet50)を採用している。 実験の結果,ResNet50の精度は90.28%,画像毎の推定時間は1529msであり,有望な性能を示した。 本研究は,災害後分析のためのスケーラブルで効率的かつ客観的なツールを提供することにより,災害管理の分野に寄与する。

関連論文リスト

• Multiclass Post-Earthquake Building Assessment Integrating Optical and SAR Satellite Imagery, Ground Motion, and Soil Data with Transformers [0.0]
  本研究では,地震後の高分解能衛星画像と構造物の耐震性能に関連する建築固有のメタデータを組み合わせたフレームワークを提案する。 2023年2月6日トルコ・シリア地震の建物群を対象とした多層地震後の被害同定において, 現状の成果が得られた。
  論文  参考訳（メタデータ） (2024-12-05T23:19:51Z)
• 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)
• Adversarial Attacks and Defenses in Machine Learning-Powered Networks: A Contemporary Survey [114.17568992164303]
  機械学習とディープニューラルネットワークにおけるアドリアックと防御が注目されている。 本調査は、敵攻撃・防衛技術分野における最近の進歩を包括的に概観する。 検索ベース、意思決定ベース、ドロップベース、物理世界攻撃など、新たな攻撃方法も検討されている。
  論文  参考訳（メタデータ） (2023-03-11T04:19:31Z)
• Multi-view deep learning for reliable post-disaster damage classification [0.0]
  本研究は,人工知能(AI)と多視点画像を用いた,より信頼性の高い建築損傷分類を実現することを目的とする。 提案モデルでは, ハリケーン・ハーヴェイに続き, 調査対象の建物について, 専門家ラベル付きジオタグ付き画像を含む偵察視覚データセットを訓練し, 検証した。
  論文  参考訳（メタデータ） (2022-08-06T01:04:13Z)
• 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)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• 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)
• An Attention-Based System for Damage Assessment Using Satellite Imagery [18.43310705820528]
  本稿では,建物の損傷レベルを評価するため,Siam-U-Net-Attnモデルを提案する。 大規模建物被害評価データセットである xView2 上で提案手法の評価を行い,提案手法が正確な被害規模分類と建物分割を同時に達成できることを実証した。
  論文  参考訳（メタデータ） (2020-04-14T16:37:55Z)

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。