[논문 리뷰] Deep Bayesian U-Nets for Efficient, Robust and Reliable Post-Disaster Damage Localization

Xiao Liang, Seyed Omid Sajedi|arXiv (Cornell University)|2020. 09. 24.

Infrastructure Maintenance and Monitoring참고 문헌 30인용 수 5

한 줄 요약

이 논문은 재해 후 구조물 손상 지역 파악에서 불확실성 정량화를 위한 몬테카를로 드롭아웃을 통합한 딥 베이지안 U-Net을 제안한다. 불확실성을 학습 가능한 출력으로 간주함으로써, 표준 U-Net에 비해 모델의 강건성과 신뢰성을 향상시키며, 클래스 분산이 예측 오차와 강하게 상관되어 있어 임상적 인프라 평가에서 더 안전한 구현을 가능하게 한다.

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.

연구 동기 및 목표

• 기존의 딥 러닝 모델에서 재해 후 구조물 손상 평가에 대한 불확실성 추정의 부족을 해결한다.
• 안전이 중요한 응용 분야에서 데이터 기반 구조물 건강 모니터링(SHM) 시스템의 신뢰성을 향상시킨다.
• 각 예측에 대해 손상 예측과 신뢰도 추정치를 제공하는 프레임워크를 개발한다.
• 비선형 응답 역사 분 析의 대규모 벤치마크 데이터셋을 활용해 모델의 강건성과 불확실성 정량화 능력을 검증한다.
• 불확실성 추정치가 예측 오차와 상관되어 있음을 입증함으로써 위험 인식 기반 의사결정을 가능하게 한다.

제안 방법

• 격자형 데이터 구조를 사용하여 U-Net 아키텍처를 의미론적 손상 세그멘테이션(SDS)에 적합하게 조정한다.
• 추론 시점에 몬테카를로 드롭아웃을 도입하여 모델 불확실성을 정량화하고, 이를 두 번째 출력으로 간주한다.
• 테스트 중에 확률적 순방향 전파를 사용하여 표준 교차 엔트로피 손실로 베이지안 U-넷을 훈련시킨다.
• 드롭아웃 샘플 간의 소프트맥스 클래스 분산을 예측 불확실성의 대체 지표로 사용한다.
• 10층 2차원 철근 concrete 프레임에 대한 10,800건의 비선형 응답 역사 분 析 데이터셋을 활용해 훈련 및 평가를 수행한다.
• 구조 진단의 고정밀도 요구사항을 충족하기 위해 의미론적 손상 세그멘테이션 개념을 재검토하고 개선한다.

실험 결과

연구 질문

• RQ1 베이지안 딥 러닝 기법이 구조물 건강 모니터링에서 자동화된 재해 후 손상 지역 파악의 신뢰성 향상에 기여할 수 있는가?
• RQ2 몬테카를로 드롭아웃을 통한 불확실성 정량화가 손상 세그멘테이션 작업에서 예측 오차와 어떻게 상관되는가?
• RQ3 베이지안 U-Net이 구조물 손상 평가에서 전반적 정확도 및 평균 클래스 정확도 측면에서 표준 U-Net보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 불확실성 추정치가 인간 점검자에게 위험도가 높거나 모호한 예측 영역을 강조함으로써 도움을 줄 수 있는가?
• RQ5 제안된 프레임워크는 실제 재해 상황에서 뚜렷한 강건성 향상과 함께 효율성을 유지할 수 있는가?

주요 결과

• 제안된 베이지안 U-Net은 기준 표준 U-Net에 비해 전반적 정확도와 평균 클래스 정확도에서 뛰어난 성능을 보였다.
• 몬테카를로 드롭아웃 예측에서 유도된 클래스 분산이 잘못된 손상 분류와 강하게 상관되어 있어 신뢰할 수 있는 불확실성 정량화를 나타낸다.
• 모델의 불확실성 출력은 특히 모호하거나 복잡한 구조적 영역에서 예측의 확신이 떨어지는 영역을 효과적으로 강조했다.
• 불확실성 인식 추론 덕분에 다양한 지진 하중 시나리오에 걸쳐 모델의 강건성이 향상되었다.
• 불확실성 정량화 통합으로 인해 추론 효율성이 손상되지 않아 실시간에 가까운 배포에 적합함을 유지했다.
• 10,800건의 비선형 응답 역사 분 析로 구성된 벤치마크 데이터셋 덕분에 모델의 성능과 신뢰성에 대한 종합적인 검증이 가능했다.