基于深层 FCDD 的灾害异常检测器,用于可解释的初始反应
本文提出一种可解释的深度单类分类方法 FCDD,它基于卷积神经网络,通过非线性映射,将异常数据映射到远离正常数据的地方,从而检测异常。FCDD 在常见异常检测基准测试中取得了竞争性能,还能够提供合理的异常检测解释。此外,使用 FCDD 的解释,作者还展示了深度单类分类模型对于图片水印这类假象特征的脆弱性。
Jul, 2020
通过使用深度学习技术来精确评估自然灾害中建筑损害,在利用遥感数据的背景下进行实现。我们探索使用来自全球各地的多样化灾难事件的 xBD 数据集作为主要焦点,以评估深度学习模型。我们解决了推广到新灾难和地区的挑战,同时考虑了自然灾害数据中固有的低质量和噪声标签的影响。此外,我们的研究定量地证明了对于有效的建筑损害检测,最低的卫星图像分辨率为 3 米,对于使用对称和非对称分辨率摄动分析的分类低于 1 米。为了实现对建筑损害检测和分类的稳健准确评估,我们评估了具有残差、压缩和激活以及双路径网络主干的不同深度学习模型,以及集成技术。总体而言,F-1 得分为 0.812 的 U-Net Siamese 网络集成在 xView2 挑战基准测试中表现最好。此外,我们还将对所有灾害进行训练的通用模型与洪水专家模型进行评估,并调查了在 Ahr Valley 的领域数据中的事件间通用性差距和分布。我们的研究发现展示了先进人工智能解决方案在增强气候变化引发的极端天气事件(如洪水和飓风)影响评估方面的潜力和局限性。这些见解对于在不断升级的气候挑战面前的灾害影响评估具有重要意义。
Sep, 2023
本文提出了一种基于无监督分割的异常检测方法,使用多尺度区域特征生成器从预训练的深度卷积网络中生成描述子区域的特征,借助这些特征设计一个深度自编码器并通过快速特征重建对图像中的异常区域进行检测,该方法在多个基准数据集上取得了最新技术进展,并具有实际应用潜力。
Dec, 2020
本研究提出了一种卷积神经网络的框架来进行基于卫星图像的变化检测,通过阈值化和划分网格来找到灾害影响最严重的区域,并使用新的灾害影响指数(DII)来衡量自然灾害的影响。在应用于飓风哈维和圣塔罗莎大火数据集时,框架的 F1 分数分别为 81.2%和 83.5%。
Dec, 2018
通过深度学习模型,在 xView2 挑战中取得了 0.66 的 F1 分数,超过 0.28 的挑战基准分数,发现不同损伤等级和不同灾害类型之间的视觉相似性和损害分布差异导致建筑物损伤分类是一项困难任务,可能需要具备关于灾害损害的概率先验估计,以获得准确的预测。
May, 2024
本文提出了一种新的公平异常检测方法 Deep Fair SVDD,采用对抗网络训练来解决深度学习可能存在的社会偏见问题,并提出了两种有效公平性指标。在实验中,我们发现现有的深度异常检测方法存在不公平性,而我们的方法能够在最小损失性能的情况下消除不公平性,并进行了深入分析以证明方法的优点和局限性。
Dec, 2020
利用远程传感器和机器学习,通过卫星图像对建筑物受损程度进行分类和定量化,并采用可解释的深度学习技术来找出对分类最有用的信息特征和最优的优化方法。同时,使用 Grad-CAM 技术观察影像中影响分类的特征区域。
Jan, 2022
DAVI 是一种基于图像分割和任务特定知识的灾害评估方法,能够在无需目标地区地面真值标签的情况下,准确检测结构性损害,并在不同地理景观和灾害类型的情况下展现出优异性能。
Jun, 2024
本文提出了一种基于卷积神经网络(CNNs)的预测鉴别器流水线来自动分类损坏的铁路组件,使用一类分类方法,结合基于可视化的热图来判定铁路组件的损坏情况,并在预测性维护中提出了未来工作。
May, 2023