La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Unsupervised Building Damage Identification Using Post-Event Optical Imagery and Variational Autoencoder Identification des dommages aux bâtiments sans surveillance à l'aide de l'imagerie optique post-événement et d'un encodeur automatique variationnel

Daming LIN, Jie WANG, Yundong LI

  • Vues en texte intégral

    0

  • Citer

Résumé:

L'identification rapide des dommages aux bâtiments joue un rôle essentiel dans les opérations de secours en cas de catastrophe, en particulier lorsque les ressources de secours sont limitées. Ces dernières années, l’apprentissage automatique supervisé a fait des progrès considérables dans l’identification des dommages aux bâtiments. Cependant, l'utilisation de l'apprentissage automatique supervisé reste difficile en raison des faits suivants : 1) les échantillons massifs de l'imagerie actuelle des dommages sont difficiles à étiqueter et ne peuvent donc pas satisfaire aux exigences de formation de l'apprentissage profond, et 2) la similarité entre les échantillons partiellement endommagés. et les bâtiments intacts sont élevés, ce qui empêche une classification précise. En tirant parti des nombreux échantillons de domaines auxiliaires, l'adaptation de domaine vise à transférer un classificateur formé par l'imagerie des dommages historiques à la tâche actuelle. Cependant, les approches traditionnelles d'adaptation de domaine ne prennent pas pleinement en compte les informations spécifiques à la catégorie lors de l'adaptation des fonctionnalités, ce qui pourrait entraîner un transfert négatif. Pour résoudre ce problème, nous proposons un nouveau cadre d'adaptation de domaine qui aligne individuellement chaque catégorie du domaine cible sur celle du domaine source. Notre méthode combine l'auto-encodeur variationnel (VAE) et le modèle de mélange gaussien (GMM). Premièrement, le GMM est établi pour caractériser la distribution du domaine source. Ensuite, le VAE est construit pour extraire la fonctionnalité du domaine cible. Enfin, la divergence Kullback-Leibler (KL) est minimisée pour forcer la fonctionnalité du domaine cible à observer le GMM du domaine source. Deux tâches de détection des dommages utilisant des images post-séisme et post-ouragan sont utilisées pour vérifier l'efficacité de notre méthode. Les expériences montrent que la méthode proposée obtient des améliorations de 4.4% et 9.5% respectivement par rapport à la méthode conventionnelle.

Publication
IEICE TRANSACTIONS on Information Vol.E104-D No.10 pp.1770-1774
Date de publication
2021/10/01
Publicisé
2021/07/20
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2021EDL8034
Type de manuscrit
LETTER
Catégories
Reconnaissance d'images, vision par ordinateur

Auteurs

Daming LIN
  Ministry of Transport
Jie WANG
  North China University of Technology
Yundong LI
  North China University of Technology

Mots-clés

Table des matières