Self-Supervised Learning for Building Damage Assessment from Large-scale xBD Satellite Imagery Benchmark Datasets

要約

災害後の評価の分野では、災害後のタイムリーで正確な救助と位置特定のために、人々は損傷した建物の場所を知る必要があります。
深層学習では、一部の学者は、リモートセンシング画像による自動で高精度の建物損傷評価を行う方法を提案しました。これは、ドメインの専門家による評価よりも効率的であることが証明されています。
ただし、大量のラベル付きデータがないため、深層学習モデルの効率はラベル付きデータに大きく依存しているため、これらの種類のタスクは正確な評価を実行できないという問題が発生する可能性があります。
既存の半教師ありおよび教師なし研究は、この分野で画期的な進歩を遂げましたが、この問題を完全に解決したものはありません。
したがって、ラベル付けされたデータを必要とせずにタスクに対処するために、自己監視型の比較学習アプローチを採用することを提案します。
新しい非対称ツインネットワークアーキテクチャを構築し、xBDデータセットでそのパフォーマンスをテストしました。
私たちのモデルの実験結果は、ベースラインおよび一般的に使用される方法と比較して改善を示しています。
また、損傷認識の認識を構築するための自己監視方式の可能性を示しました。

要約(オリジナル)

In the field of post-disaster assessment, for timely and accurate rescue and localization after a disaster, people need to know the location of damaged buildings. In deep learning, some scholars have proposed methods to make automatic and highly accurate building damage assessments by remote sensing images, which are proved to be more efficient than assessment by domain experts. However, due to the lack of a large amount of labeled data, these kinds of tasks can suffer from being able to do an accurate assessment, as the efficiency of deep learning models relies highly on labeled data. Although existing semi-supervised and unsupervised studies have made breakthroughs in this area, none of them has completely solved this problem. Therefore, we propose adopting a self-supervised comparative learning approach to address the task without the requirement of labeled data. We constructed a novel asymmetric twin network architecture and tested its performance on the xBD dataset. Experiment results of our model show the improvement compared to baseline and commonly used methods. We also demonstrated the potential of self-supervised methods for building damage recognition awareness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google