Hasil Pencarian  ::  Simpan CSV :: Kembali

"Asesmen kerusakan bangunan setelah bencana sangat penting dilakukan untuk membantu operasi tanggap darurat dan penyelamatan. Tetapi asesmen kerusakan bangunan membutuhkan banyak sumber daya untuk melakukannya secara manual. Banyak pendekatan telah diusulkan untuk mengotomatisasi asesmen kerusakan bangunan dengan memanfaatkan teknologi kecerdasan buatan. Beberapa diantaranya menggunakan handcrafted fitur yang dianggap tidak efektif. Penelitian ini mengusulkan sebuah pendekatan yang berdasarkan pada siamese neural network. Fitur ekstraksi, perbedaan fitur, dan klasifikasi dapat dilakukan hanya dengan menggunakan satu model yang terhubung secara end-to-end sehingga klasifikasi dan fitur ekstraksi dapat belajar secara bersama. Penelitian ini juga mengembangkan model siamese neural network dengan menambahkan mekanisme konkatenasi fitur. Konkatenasi ini bertujuan untuk membuat fitur perbedaan berdasarkan tiap-tiap keluaran dari convolution block dan menggabungkanya menjadi sebuah vektor yang berdimensi tinggi. Model ini diuji dalam tiga skenario eksperimen dan telah dibuktikan bahwa penerapan mekanisme konkatenasi fitur tersebut mampu meningkatkan skor f-measure pada model dengan dua dari tiga skenario eksperimen tersebut menunjukan perbedaan performa yang signifikan.

---

Post-earthquake building damage assessment is a very crucial job to do in order to execute emergency and rescue operations. With that being said, building damage assessment takes a lot of resources if it is done manually. Many approaches have been proposed to automate the process by using artificial intelligence, some of which use handcrafted features that are considered ineffective. This research proposes an approach based on siamese neural network. Feature extraction, feature differentiation, and classification can be performed using only one end-to-end connected model so that classification and feature extraction can learn simultaneously. Furthermore, this research also develope a siamese neural network model by implementing feature concatenation mechanism. This concatenation aims to create difference features based on each output from the convolution block and concatenate them into a high-dimensional vector. This model was tested in three experimental scenarios and it has been proven that the application of the feature concatenated mechanism is able to increase the f-measure score in the model with two out of three experimental scenarios showing a significant difference in perform"

"Asesmen kerusakan bangunan menggunakan bantuan kecerdasan buatan merupakan sebuah metode yang efisien, aman dan cepat jika dibandingkan dengan metode manual. Asesmen kerusakan bangunan dengan kecerdasan buatan dapat dilakukan dengan klasifikasi dan segmentasi. Deep learning merupakan metode terbaik dalam mengolah citra beresolusi tinggi baik hasil tangkapan drone maupun satelit. Kombinasi Siamese Neural Network dan U-Net merupakan kombinasi yang tepat dalam bentuk arsitektur untuk klasifikasi dan segmentasi kerusakan bangunan. Penelitian terkait arsitektur ini dalam mengolah citra sudah banyak dilakukan dengan performa yang baik. Arsitektur ini juga merupakan desain yang tepat untuk mengolah citra pre disaster dan post disaster karena adanya sharing weight dan bisa ditambahkan modul untuk berbagi informasi fitur channel (warna) maupun spasial. Salah satu modul tersebut yang bisa ditambahkan adalah cross- directional attention (CDA). Modul ini telah coba diimpelementasikan dalam penelitian ini bersama dengan metode data augmentasi CutMix dan Refinement. Penggunaan beberapa metode ini memberikan hasil yang cukup walaupun tidak bisa melampaui model terbaik saat ini yaitu BDANet, tetapi perbedaanya tidak terlalu signifikan. Untuk hasil F1 Score dari hasil segmentasi bangunan dan klasifikasi kerusakan sebelum refinement masing-masing sebesar 0.852 dan 0.717 dengan total F1 Score-nya adalah 0.757. Model usulan dengan refinement juga telah mampu mengatasi masalah semantic inconsistency, sehingga kelasifikasi kerusakan bangunan dapat disebut sebagai segmentasi level objek. Adapun performance F1 Score segmentasi bangunan dan klasifikasi kerusakan masing- masing sebesar 0.852 dan 0.724 dengan total F1 Score-nya 0.762.

---

Assessing building damages using artificial intelligence is an efficient, secure, and rapid method compared to manual approaches. Building damage assessment through artificial intelligence can be achieved through classification and segmentation. Deep learning stands as the most effective method in processing high-resolution images captured by drones or satellites. The combination of Siamese Neural Network and U-Net serves as a suitable architecture for both building damage classification and segmentation. Studies related to this architecture for image processing have been conducted with promising performance. This architecture is also well-designed for processing pre-disaster and post-disaster images due to weight sharing and the ability to add modules for sharing feature information, such as both spatial and channel. One of these additional modules is cross-directional attention (CDA), which has been implemented in this study along with CutMix data augmentation and Refinement methods. The utilization of these methods has sufficient results even though they cannot exceed the current best model, BDANet. Even so, the difference is not very significant. For the result of F1 Score, model without Refinement gives score respectively 0.852, 0.717 and 0.757 for building segmentation, damage classification and total F1 Score. While the proposed model with refinement has also effectively addressed semantic inconsistency issues, enabling the classification of building damages to be referred to as object-level segmentation. For F1 Score performance, this model give results respectively 0.852, 0.724 and 0.762 for building segmentation, damage classification and total F1 Score."