MétaCan
Menu
← Retour à la cohorte
Enregistrement W4391261053 · doi:10.1007/s12205-024-1587-1

A Class Distance Penalty Deep Learning Method for Post-disaster Building Damage Assessment

2024· article· en· W4391261053 sur OpenAlexaff
Fang Jung Tsai, Szu-Yun Lin

Notice bibliographique

RevueKSCE Journal of Civil Engineering · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueInfrastructure Maintenance and Monitoring
Établissements canadiensArtificial Intelligence in Medicine (Canada)
Organismes subventionnairesnon disponible
Mots-clésClass (philosophy)Computer scienceEngineeringEnvironmental scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Automatic building damage assessment can significantly aid rescue operations, attributed to booming deep learning and remote sensing technologies. However, the class imbalance of the dataset often skews prediction models towards the majority class in the segmentation of damaged buildings. This issue is further exacerbated when damaged buildings are categorized into multiple scales, intensifying biases within the models. Hence, this research adopts an algorithm-level method to improve the reliability of post-disaster damage assessment. It proposes a novel loss function named Ordinal Class Distance Penalty Loss (OCDPL), considering the ordinal relationship between classes and penalizing the misclassifications according to the class error distance. Two hyperparameters are also introduced to enable the model to fine-tune the contribution of ordinal relationships on the loss function. The satellite images of hurricane disasters in the xBD dataset were adopted as the case study. The results show that the proposed approach can improve F1 scores and Mean Absolute Error of overall damage level classes. Notably, the findings underscore the value of leveraging information on ordinal classes to facilitate the learning of minority classes and diminish class error distances. This aspect holds particular significance for emergency responses to widespread and severe disasters.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,004
Tête enseignante GPT0,261
Écart entre enseignants0,257 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2024
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueKSCE Journal of Civil Engineering→Même sujetInfrastructure Maintenance and Monitoring→Travaux en français237 207→