論文の概要: Automated Floodwater Depth Estimation Using Large Multimodal Model for Rapid Flood Mapping

• arxiv url: http://arxiv.org/abs/2402.16684v1
• Date: Mon, 26 Feb 2024 16:02:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-28 20:09:47.851554
• Title: Automated Floodwater Depth Estimation Using Large Multimodal Model for Rapid Flood Mapping
• Title（参考訳）: 高速洪水マッピングのための大規模マルチモーダルモデルを用いた洪水深度自動推定
• Authors: Temitope Akinboyewa, Huan Ning, M. Naser Lessani, Zhenlong Li
• Abstract要約: 本稿では, 現場の洪水写真から洪水深度を推定するための, 自動的かつ高速なアプローチを提案する。 事前訓練された大型マルチモーダルモデルであるGPT-4 Visionは、特に洪水水を推定するために使用された。 その結果, 提案手法は, 洪水写真からの洪水深度を迅速かつ確実に推定できることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Information on the depth of floodwater is crucial for rapid mapping of areas affected by floods. However, previous approaches for estimating floodwater depth, including field surveys, remote sensing, and machine learning techniques, can be time-consuming and resource-intensive. This paper presents an automated and fast approach for estimating floodwater depth from on-site flood photos. A pre-trained large multimodal model, GPT-4 Vision, was used specifically for estimating floodwater. The input data were flooding photos that contained referenced objects, such as street signs, cars, people, and buildings. Using the heights of the common objects as references, the model returned the floodwater depth as the output. Results show that the proposed approach can rapidly provide a consistent and reliable estimation of floodwater depth from flood photos. Such rapid estimation is transformative in flood inundation mapping and assessing the severity of the flood in near-real time, which is essential for effective flood response strategies.
• Abstract（参考訳）: 浸水深度に関する情報は洪水の影響を受けた地域の迅速な地図作成に不可欠である。 しかし、フィールドサーベイ、リモートセンシング、機械学習技術を含む洪水水深を推定する以前のアプローチは、時間消費と資源集約である。 本稿では,現場の洪水写真から水深を自動的かつ高速に推定する手法を提案する。 事前訓練された大型マルチモーダルモデルであるgpt-4 visionは特に洪水水の推定に使用された。 入力データには、道路標識、車、人、建物などの参照対象を含む写真が溢れていた。 共通物体の高さを基準として、モデルが洪水深度を出力として返却した。 その結果, 提案手法は, 洪水写真からの洪水深度を迅速かつ確実に推定できることを示した。 このような急速な推定は洪水浸水マッピングに変化をもたらし、洪水の重大度をほぼリアルタイムに評価し、効果的な洪水対応戦略に不可欠である。

関連論文リスト

• FAFA: Frequency-Aware Flow-Aided Self-Supervision for Underwater Object Pose Estimation [65.01601309903971]
  無人水中車両(UUV)の6次元ポーズ推定のための周波数認識フロー支援フレームワークであるFAFAを紹介する。 我々のフレームワークは、3DモデルとRGB画像のみに依存しており、実際のポーズアノテーションや奥行きのような非モダリティデータの必要性を軽減しています。 本研究では,一般的な水中オブジェクトポーズベンチマークにおけるFAFAの有効性を評価し,最先端手法と比較して顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2024-09-25T03:54:01Z)
• MaxFloodCast: Ensemble Machine Learning Model for Predicting Peak Inundation Depth And Decoding Influencing Features [0.8497188292342053]
  本研究は、ハリス郡の物理に基づく流体力学シミュレーションに基づいて訓練された機械学習モデルMaxFloodCastを実証する。 MaxFloodCastは、効率的かつ解釈可能な浸水深度予測を提供する。
  論文  参考訳（メタデータ） (2023-08-11T16:58:57Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
  オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。 提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
  論文  参考訳（メタデータ） (2022-12-23T03:00:28Z)
• Crowdsourced-based Deep Convolutional Networks for Urban Flood Depth Mapping [1.6244541005112747]
  本稿では,深部畳み込みネットワークを用いて,沈み込み交通標識のクラウドソース画像を分析し,高空間分解能で洪水深度を推定する。 米国とカナダの最近の洪水で撮影された写真でモデルをテストすると、平均的な絶対誤差は6.978 in.であり、これは以前の研究と同程度である。
  論文  参考訳（メタデータ） (2022-09-06T18:16:12Z)
• Determination of building flood risk maps from LiDAR mobile mapping data [11.128919681798664]
  洪水シミュレーションは、洪水の危険がある地域や建物に早期警告を与えることができる。 ファサードの開口部の高さを知ることは、水浸水の影響を受けやすい場所を特定するのに役立つ。 本研究では,LiDAR移動地図データから窓やドアを抽出する手法を提案する。
  論文  参考訳（メタデータ） (2022-01-14T15:36:08Z)
• Feasibility study of urban flood mapping using traffic signs for route optimization [9.973554387848257]
  水害は世界で最も頻繁に発生し、最もコストがかかる気候災害である。 アメリカ合衆国では、海岸部に住む推定1億2700万人がハリケーンや洪水による住宅被害の恐れがある。
  論文  参考訳（メタデータ） (2021-09-24T02:13:23Z)
• Underwater Image Restoration via Contrastive Learning and a Real-world Dataset [59.35766392100753]
  本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元手法を提案する。 提案手法は, 生画像と復元画像の相互情報を最大化するために, コントラスト学習と生成敵ネットワークを利用した。
  論文  参考訳（メタデータ） (2021-06-20T16:06:26Z)
• Progressive Depth Learning for Single Image Dehazing [56.71963910162241]
  既存の脱湿法は、しばしば深度を無視し、より重いヘイズが視界を乱す遠くの地域で失敗する。 画像深度と伝送マップを反復的に推定するディープエンドツーエンドモデルを提案する。 私たちのアプローチは、画像深度と伝送マップの内部関係を明示的にモデリングすることから利益を得ます。
  論文  参考訳（メタデータ） (2021-02-21T05:24:18Z)
• Water level prediction from social media images with a multi-task ranking approach [0.0]
  本稿では,洪水時のソーシャルメディア画像から水深を推定するコンピュータビジョンシステムを提案する。 本稿では,回帰学習とペアランキング損失の両方を用いてモデルを訓練するマルチタスク学習手法を提案する。 提案手法は,11cmの根平均平方誤差を持つ1つのクラウドソース画像から,水位を推定できることを示す。
  論文  参考訳（メタデータ） (2020-07-14T00:51:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。