[論文レビュー] Deep Bayesian U-Nets for Efficient, Robust and Reliable Post-Disaster Damage Localization

Xiao Liang, Seyed Omid Sajedi|arXiv (Cornell University)|Sep 24, 2020

Infrastructure Maintenance and Monitoring参考文献 30被引用数 5

ひとこと要約

本稿では、モンテカルロドロップアウトを用いた不確実性評価を統合したDeep Bayesian U-Netを提案し、災害後における構造物損傷部位特定の不確実性を定量化する。不確かな要因を学習可能な出力として扱うことで、標準的なU-Netに比べてモデルの頑健性と信頼性が向上し、クラス分散が予測誤差と強く相関していることが判明した。これにより、重要なインfra構造物の評価においてより安全な運用が可能になる。

ABSTRACT

Post-disaster inspections are critical to emergency management after earthquakes. The availability of data on the condition of civil infrastructure immediately after an earthquake is of great importance for emergency management. Stakeholders require this information to take effective actions and to better recover from the disaster. The data-driven SHM has shown great promises to achieve this goal in near real-time. There have been several proposals to automate the inspection process from different sources of input using deep learning. The existing models in the literature only provide a final prediction output, while the risks of utilizing such models for safety-critical assessments should not be ignored. This paper is dedicated to developing deep Bayesian U-Nets where the uncertainty of predictions is a second output of the model, which is made possible through Monte Carlo dropout sampling in test time. Based on a grid-like data structure, the concept of semantic damage segmentation (SDS) is revisited. Compared to image segmentation, it is shown that a much higher level of precision is necessary for damage diagnosis. To validate and test the proposed framework, a benchmark dataset, 10,800 nonlinear response history analyses on a 10-story-10-bay 2D reinforced concrete moment frame, is utilized. Compared to the benchmark SDS model, Bayesian models exhibit superior robustness with enhanced global and mean class accuracies. Finally, the model's uncertainty output is studied by monitoring the softmax class variance of different predictions. It is shown that class variance correlates well with locations where the model makes mistakes. This output can be used in combination with the prediction results to increase the reliability of this data-driven framework in structural inspections.

研究の動機と目的

• 災害後構造物損傷評価に用いられる従来のディープラーニングモデルにおける不確実性推定の欠如に対処すること。
• 安全が重要な応用分野におけるデータ駆動型構造健全性監視（SHM）システムの信頼性を向上させること。
• 各予測に対して損傷予測と信頼性推定を両方提供するフレームワークの開発。
• 非線形応答履歴解析の大型ベンチマークデータセットを用いて、モデルの頑健性と不確実性評価の妥当性を検証すること。
• 不確実性推定が予測誤差と相関していることを実証し、リスクを考慮した意思決定を可能にすること。

提案手法

• グリッド構造のデータを用いて、U-Netアーキテクチャを意味的損傷セグメンテーション（SDS）に適応する。
• 推論時にモンテカルロドロップアウトを導入し、モデルの不確実性を出力の第二の出力として扱う。
• テスト時の確率的順伝播を用いて、標準的な交差エントロピー損失でBayesian U-Netを学習する。
• ドロップアウトサンプル間のソフトマックスクラス分散を、予測不確実性の代理として用いる。
• 10階建て2次元RCフレームの非線形応答履歴解析10,800件のベンチマークデータセットを、学習および評価に活用する。
• 構造診断の高精度要件を満たすために、意味的損傷セグメンテーションの概念を再考・精緻化する。

実験結果

リサーチクエスチョン

• RQ1 ベイジアンディープラーニング手法は、構造健全性監視における自動化された災害後損傷部位特定の信頼性を向上させ得るか？
• RQ2 モンテカルロドロップアウトによる不確実性評価は、損傷セグメンテーションタスクにおける予測誤差とどのように相関するか？
• RQ3 ベイジアンU-Netは、構造物損傷評価において、グローバル精度および平均クラス精度の観点で、標準U-Netをどの程度上回るか？
• RQ4 不確実性推定は、人間の点検担当者がリスクの高いまたは曖昧な予測領域を特定するのを支援できるか？
• RQ5 提案フレームワークは、実世界の災害シナリオにおいて、著しく頑健性を向上させる一方で、効率性を維持できるか？

主な発見

• 提案されたベイジアンU-Netは、ベンチマーク用の標準U-Netに比べ、グローバル精度および平均クラス精度が優れていた。
• モンテカルロドロップアウトによるクラス分散が、誤った損傷分類と強く相関しており、信頼性の高い不確実性推定であることが示された。
• モデルの不確実性出力は、予測の信頼性が低い領域、特に曖昧または複雑な構造的領域を効果的に特定した。
• 不確実性を考慮した推論により、多様な地震動シナリオにおいてモデルの頑健性が向上した。
• 不確実性評価の統合によって推論効率が損なわれず、近似リアルタイムでの適用に適した状態を維持した。
• 10,800件の非線形応答履歴解析からなるベンチマークデータセットのおかげで、モデルの性能と信頼性の包括的検証が可能になった。