要約
xView2コンペティションとxBDデータセットは、オーバーヘッドの建物損傷検出に大きな進歩をもたらしましたが、コンペティションのピクセルレベルのスコアリングは、建物の密集したエリアや情報量の少ないコンテキストで解のパフォーマンスを低下させる可能性があります。私たちは、xView2コンペティションの補助的な課題を提案することで、災害救助のための建物被害評価の自動化を促進することを目指します。この新しい課題は、新しいデータセットと、xBDよりも被害が局所的かつ限定的な場合の解の性能を示す指標を含んでいます。この課題では、建物の周囲に過度に依存することなく、個々の建物とその被害レベルを識別するネットワークの能力を測定します。この課題に成功した手法は、オリジナルのxView2ソリューションよりもきめ細かく正確な被害情報を提供することができます。この新しい限定的・局所的な損傷検出タスクでは、最も優れたxView2ネットワークの性能は著しく低下しました。その原因は、（1）建物オブジェクトとその分類がうまく分離されない、（2）分離されたとしても、周囲の建物やその他の損傷状況によって分類が強く偏ってしまうこと、などが共通して観察されます。そこで、我々は、元のコンペティションのピクセルレベルのパフォーマンスメトリックスに加えて、建物オブジェクトの独立性と分離性をテストするためのオブジェクトレベルのスコアメトリックスを追加したデータセットの拡張バージョンをリリースしました。また、建物の損傷予測の独立性と分離性を向上させる新しいベースラインモデルも実験しています。この結果は、建物の損傷検出が完全に解決された問題ではないことを示しており、私たちのデータセットの拡張とメトリックを使用し、構築することを奨励しています。
要約(オリジナル)
The xView2 competition and xBD dataset spurred significant advancements in overhead building damage detection, but the competition’s pixel level scoring can lead to reduced solution performance in areas with tight clusters of buildings or uninformative context. We seek to advance automatic building damage assessment for disaster relief by proposing an auxiliary challenge to the original xView2 competition. This new challenge involves a new dataset and metrics indicating solution performance when damage is more local and limited than in xBD. Our challenge measures a network’s ability to identify individual buildings and their damage level without excessive reliance on the buildings’ surroundings. Methods that succeed on this challenge will provide more fine-grained, precise damage information than original xView2 solutions. The best-performing xView2 networks’ performances dropped noticeably in our new limited/local damage detection task. The common causes of failure observed are that (1) building objects and their classifications are not separated well, and (2) when they are, the classification is strongly biased by surrounding buildings and other damage context. Thus, we release our augmented version of the dataset with additional object-level scoring metrics https://gitlab.kitware.com/dennis.melamed/xfbd to test independence and separability of building objects, alongside the pixel-level performance metrics of the original competition. We also experiment with new baseline models which improve independence and separability of building damage predictions. Our results indicate that building damage detection is not a fully-solved problem, and we invite others to use and build on our dataset augmentations and metrics.
arxiv情報
| 著者 | Dennis Melamed,Cameron Johnson,Chen Zhao,Russell Blue,Philip Morrone,Anthony Hoogs,Brian Clipp |
| 発行日 | 2023-01-03 22:27:49+00:00 |
| arxivサイト | arxiv_id(pdf) |