論文の概要: Building-Guided Pseudo-Label Learning for Cross-Modal Building Damage Mapping

• arxiv url: http://arxiv.org/abs/2505.04941v1
• Date: Thu, 08 May 2025 04:37:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.745614
• Title: Building-Guided Pseudo-Label Learning for Cross-Modal Building Damage Mapping
• Title（参考訳）: 建築ガイド型擬似ラベル学習による建築被害マッピング
• Authors: Jiepan Li, He Huang, Yu Sheng, Yujun Guo, Wei He,
• Abstract要約: 両時間リモートセンシング画像を用いた建物被害評価は, 効果的な災害対応と復旧計画に不可欠である。 本研究は, ビルディングガイドを用いたPseudo-Label Learning Frameworkを提案する。
• 参考スコア（独自算出の注目度）: 9.332296752012466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate building damage assessment using bi-temporal multi-modal remote sensing images is essential for effective disaster response and recovery planning. This study proposes a novel Building-Guided Pseudo-Label Learning Framework to address the challenges of mapping building damage from pre-disaster optical and post-disaster SAR images. First, we train a series of building extraction models using pre-disaster optical images and building labels. To enhance building segmentation, we employ multi-model fusion and test-time augmentation strategies to generate pseudo-probabilities, followed by a low-uncertainty pseudo-label training method for further refinement. Next, a change detection model is trained on bi-temporal cross-modal images and damaged building labels. To improve damage classification accuracy, we introduce a building-guided low-uncertainty pseudo-label refinement strategy, which leverages building priors from the previous step to guide pseudo-label generation for damaged buildings, reducing uncertainty and enhancing reliability. Experimental results on the 2025 IEEE GRSS Data Fusion Contest dataset demonstrate the effectiveness of our approach, which achieved the highest mIoU score (54.28%) and secured first place in the competition.
• Abstract（参考訳）: 両時間マルチモーダルリモートセンシング画像を用いた建物損傷の正確な評価は,災害対策と復旧計画に不可欠である。 本研究は, ビルディングガイドを用いたPseudo-Label Learning Frameworkを提案する。 まず,プレディザスター光画像とビルディングラベルを用いて,一連の建物抽出モデルを訓練する。 ビルのセグメンテーションを強化するため,我々は擬似確率を生成するために多モデル融合とテスト時拡張戦略を採用し,さらに改良のための低不確実な擬似ラベルトレーニング手法を採用した。 次に、バイテンポラル・クロスモーダル画像と損傷した建物ラベルに基づいて、変更検出モデルを訓練する。 損傷分類の精度を向上させるため,前段階からの建物先行情報を活用し,損傷建物に対する擬似ラベル生成を誘導し,不確実性を低減し,信頼性を向上する建物誘導型低不確実性擬似ラベル改質戦略を導入する。 2025年のIEEE GRSS Data Fusion Contestデータセットの実験結果は、最も高いmIoUスコア(54.28%)を達成し、コンペで1位を確保した我々のアプローチの有効性を示した。

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)
• Adversarial Robustification via Text-to-Image Diffusion Models [56.37291240867549]
  アドリラルロバスト性は、ニューラルネットワークをエンコードする難しい性質として伝統的に信じられてきた。 データを使わずに敵の堅牢性を実現するために,スケーラブルでモデルに依存しないソリューションを開発した。
  論文  参考訳（メタデータ） (2024-07-26T10:49:14Z)
• Robust Disaster Assessment from Aerial Imagery Using Text-to-Image Synthetic Data [66.49494950674402]
  航空画像からの損傷評価のタスクのための大規模合成監視を作成する際に,新たなテキスト・画像生成モデルを活用する。 低リソース領域から何千ものポストディスアスター画像を生成するために、効率的でスケーラブルなパイプラインを構築しています。 我々は,xBDおよびSKAI画像のクロスジオグラフィー領域転送設定におけるフレームワークの強度を,単一ソースとマルチソースの両方で検証する。
  論文  参考訳（メタデータ） (2024-05-22T16:07:05Z)
• DeepDamageNet: A two-step deep-learning model for multi-disaster building damage segmentation and classification using satellite imagery [12.869300064524122]
  本稿では, 損傷評価, セグメンテーション, 分類において, ディープラーニングモデルによる2つの重要な課題を遂行するソリューションを提案する。 我々の最良のモデルは、建物識別セマンティックセグメンテーション畳み込みニューラルネットワーク(CNN)と建物損傷分類CNNを組み合わせ、合計F1スコアは0.66である。 本モデルでは比較的精度の高い建物を同定することができたが,災害タイプによる被害の分類は困難であることが判明した。
  論文  参考訳（メタデータ） (2024-05-08T04:21:03Z)
• Learning Efficient Unsupervised Satellite Image-based Building Damage Detection [43.06758527206676]
  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。
  論文  参考訳（メタデータ） (2023-12-04T02:20:35Z)
• Reconstruction Distortion of Learned Image Compression with Imperceptible Perturbations [69.25683256447044]
  本稿では,学習画像圧縮(lic)の再構成品質を効果的に劣化させる攻撃手法を提案する。 我々は,Frobeniusノルムに基づく損失関数を導入して,元の画像と再構成された逆例との差を最大化することによって,逆例を生成する。 様々なlicモデルを用いてKodakデータセット上で実験を行った結果,有効性が確認された。
  論文  参考訳（メタデータ） (2023-06-01T20:21:05Z)
• Robust Single Image Dehazing Based on Consistent and Contrast-Assisted Reconstruction [95.5735805072852]
  画像復調モデルのロバスト性を改善するための新しい密度変分学習フレームワークを提案する。 具体的には、デハジングネットワークは、一貫性の規則化されたフレームワークの下で最適化されている。 我々の手法は最先端のアプローチを大きく上回っている。
  論文  参考訳（メタデータ） (2022-03-29T08:11:04Z)
• MSNet: A Multilevel Instance Segmentation Network for Natural Disaster Damage Assessment in Aerial Videos [74.22132693931145]
  本研究では, ハリケーン, 洪水, 火災などの自然災害後の建物被害を効率的に評価する課題について検討する。 最初のコントリビューションは、ソーシャルメディアからユーザ生成された空中ビデオと、インスタンスレベルのビルディング損傷マスクのアノテーションで構成される、新しいデータセットである。 第二のコントリビューションはMSNetと呼ばれる新しいモデルで、新しい領域の提案ネットワーク設計を含んでいる。
  論文  参考訳（メタデータ） (2020-06-30T02:23:05Z)
• 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。