Large-scale Building Damage Assessment using a Novel Hierarchical Transformer Architecture on Satellite Images

要約

本論文では、自然災害後の衛星画像に基づいて建物の損傷を分類するための、階層型変換器を用いた新しいディープラーニングモデル、DAHiTrAを紹介します。衛星画像はリアルタイムかつ高カバレッジの情報を提供し、迅速な緊急対応に不可欠な災害後の大規模な建物被害評価に情報を提供する機会を提供する。本研究では、建物の損傷を評価するために、新しいトランスフォーマーベースのネットワークを提案する。このネットワークは、複数の解像度を持つ階層的な空間特徴を利用し、空間特徴に変換エンコーダを適用した後、特徴領域の時間差を捕捉する。提案するネットワークは、大規模災害被害データセット（xBD）を用いた建物の位置特定と被害分類、および、LEVIR-CDデータセットによる変化検出タスクにおいて、最先端の性能を達成した。さらに、本研究では、ドメイン適応のために新しい高解像度衛星画像データセットIda-BD（2021年にルイジアナ州で発生したハリケーンIdaに関連）を導入している。さらに、限定的な微調整でモデルを適応させることにより、このデータセットを使用するアプローチを示し、それゆえ、データが乏しい新たな被害地域にモデルを適用している。

要約(オリジナル)

This paper presents DAHiTrA, a novel deep-learning model with hierarchical transformers to classify building damages based on satellite images in the aftermath of natural disasters. Satellite imagery provides real-time and high-coverage information and offers opportunities to inform large-scale post-disaster building damage assessment, which is critical for rapid emergency response. In this work, a novel transformer-based network is proposed for assessing building damage. This network leverages hierarchical spatial features of multiple resolutions and captures temporal difference in the feature domain after applying a transformer encoder on the spatial features. The proposed network achieves state-of-the-art-performance when tested on a large-scale disaster damage dataset (xBD) for building localization and damage classification, as well as on LEVIR-CD dataset for change detection tasks. In addition, this work introduces a new high-resolution satellite imagery dataset, Ida-BD (related to the 2021 Hurricane Ida in Louisiana in 2021) for domain adaptation. Further, it demonstrates an approach of using this dataset by adapting the model with limited fine-tuning and hence applying the model to newly damaged areas with scarce data.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL