論文の概要: DamageCAT: A Deep Learning Transformer Framework for Typology-Based Post-Disaster Building Damage Categorization

• arxiv url: http://arxiv.org/abs/2504.11637v2
• Date: Fri, 08 Aug 2025 20:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.263014
• Title: DamageCAT: A Deep Learning Transformer Framework for Typology-Based Post-Disaster Building Damage Categorization
• Title（参考訳）: damageCAT: 火災後建物被害分類のための深層学習トランスフォーマフレームワーク
• Authors: Yiming Xiao, Ali Mostafavi,
• Abstract要約: 本稿では,類型分類による損傷評価を行うフレームワークであるDanceCATを紹介する。 筆者らは,(1)ハリケーン・アイダの衛星画像トリプレットを含むBD-TypoSATデータセットと,(2)事前および事後画像ペアを処理するための階層的U-Netトランスフォーマアーキテクチャを提案する。 本モデルでは,Hurricane Harvey,Florence,Michaelデータ間での遷移性を評価することで,0.737 IoUと0.846 F1スコアを達成した。
• 参考スコア（独自算出の注目度）: 1.9835707645687721
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rapid, accurate, and descriptive building damage assessment is critical for directing post-disaster resources, yet current automated methods typically provide only binary (damaged/undamaged) or ordinal severity scales. This paper introduces DamageCAT, a framework that advances damage assessment through typology-based categorical classifications. We contribute: (1) the BD-TypoSAT dataset containing satellite image triplets from Hurricane Ida with four damage categories - partial roof damage, total roof damage, partial structural collapse, and total structural collapse - and (2) a hierarchical U-Net-based transformer architecture for processing pre- and post-disaster image pairs. Our model achieves 0.737 IoU and 0.846 F1-score overall, with cross-event evaluation demonstrating transferability across Hurricane Harvey, Florence, and Michael data. While performance varies across damage categories due to class imbalance, the framework shows that typology-based classifications can provide more actionable damage assessments than traditional severity-based approaches, enabling targeted emergency response and resource allocation.
• Abstract（参考訳）: 急速で正確で記述的な建物の損傷評価は、戦後の資源を誘導するために重要であるが、現在の自動化手法は、通常、二分数(損傷/損傷)または順序の重大度尺度のみを提供する。 本稿では,類型分類による損傷評価を行うフレームワークであるDanceCATを紹介する。 本研究は, ハリケーン・アイダの衛星画像三重項を含むBD-TypoSATデータセットに, 部分的屋根損傷, 総屋根損傷, 部分的構造崩壊, 総構造崩壊の4つの損傷カテゴリーと, 2) プレ・ディザスター画像とポスト・ディザスター画像のペア処理のための階層的U-Netベースのトランスフォーマアーキテクチャについて述べる。 本モデルでは,Hurricane Harvey,Florence,Michaelデータ間での遷移性を評価することで,0.737 IoUと0.846 F1スコアを達成した。 分類の不均衡により被害カテゴリーによって性能は変動するが,本フレームワークは,従来型の重症度に基づくアプローチよりも,より実用的な被害評価が可能であり,目標とする緊急対応と資源配分が可能であることを示唆している。

関連論文リスト

• From Pixels to Damage Severity: Estimating Earthquake Impacts Using Semantic Segmentation of Social Media Images [0.0]
  ソーシャルメディア画像は、災害偵察の重要な資源となり、被害の程度に関する洞察を与えている。 地震後のソーシャルメディア画像における被害重大度評価への従来のアプローチは、しばしば分類法に依存している。 本研究は, 意味的セグメンテーション問題として, 損傷重大度評価をフレーミングすることで, 新たなアプローチを提案する。
  論文  参考訳（メタデータ） (2025-07-03T16:43:56Z)
• Multi-Label Classification Framework for Hurricane Damage Assessment [1.8434042562191815]
  本稿では,空中画像による損傷評価のための新しいマルチラベル分類フレームワークを提案する。 提案手法では,ResNetに基づく特徴抽出モジュールとクラス固有のアテンション機構を統合し,単一画像内の複数の損傷タイプを識別する。 ハリケーン・マイケルのRescuenetデータセットを用いて、提案手法は90.23%の平均精度を達成し、既存のベースライン法より優れている。
  論文  参考訳（メタデータ） (2025-07-03T03:15:23Z)
• Multiclass Post-Earthquake Building Assessment Integrating Optical and SAR Satellite Imagery, Ground Motion, and Soil Data with Transformers [0.0]
  本研究では,地震後の高分解能衛星画像と構造物の耐震性能に関連する建築固有のメタデータを組み合わせたフレームワークを提案する。 2023年2月6日トルコ・シリア地震の建物群を対象とした多層地震後の被害同定において, 現状の成果が得られた。
  論文  参考訳（メタデータ） (2024-12-05T23:19:51Z)
• CrisisSense-LLM: Instruction Fine-Tuned Large Language Model for Multi-label Social Media Text Classification in Disaster Informatics [49.2719253711215]
  本研究では,事前学習型大規模言語モデル(LLM)の強化による災害テキスト分類への新たなアプローチを提案する。 本手法では,災害関連ツイートから包括的インストラクションデータセットを作成し,それをオープンソース LLM の微調整に用いる。 この微調整モデルでは,災害関連情報の種類,情報化,人的援助の関与など,複数の側面を同時に分類することができる。
  論文  参考訳（メタデータ） (2024-06-16T23:01:10Z)
• DeepDamageNet: A two-step deep-learning model for multi-disaster building damage segmentation and classification using satellite imagery [12.869300064524122]
  本稿では, 損傷評価, セグメンテーション, 分類において, ディープラーニングモデルによる2つの重要な課題を遂行するソリューションを提案する。 我々の最良のモデルは、建物識別セマンティックセグメンテーション畳み込みニューラルネットワーク(CNN)と建物損傷分類CNNを組み合わせ、合計F1スコアは0.66である。 本モデルでは比較的精度の高い建物を同定することができたが,災害タイプによる被害の分類は困難であることが判明した。
  論文  参考訳（メタデータ） (2024-05-08T04:21:03Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Multi-view deep learning for reliable post-disaster damage classification [0.0]
  本研究は,人工知能(AI)と多視点画像を用いた,より信頼性の高い建築損傷分類を実現することを目的とする。 提案モデルでは, ハリケーン・ハーヴェイに続き, 調査対象の建物について, 専門家ラベル付きジオタグ付き画像を含む偵察視覚データセットを訓練し, 検証した。
  論文  参考訳（メタデータ） (2022-08-06T01:04:13Z)
• Interpretability in Convolutional Neural Networks for Building Damage Classification in Satellite Imagery [0.0]
  我々は、プレサスタ衛星画像とポストサスタ衛星画像とをラベル付けしたデータセットを使用して、建物ごとの損傷を評価する。 複数の畳み込みニューラルネットワーク(CNN)をトレーニングし、建物ごとの損傷を評価する。 我々の研究は、人為的気候変動による人道的危機の進行に、計算的に貢献することを目指している。
  論文  参考訳（メタデータ） (2022-01-24T16:55:56Z)
• Assessing out-of-domain generalization for robust building damage detection [78.6363825307044]
  建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。 モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。 今後はOOD体制に重点を置くべきだと我々は主張する。
  論文  参考訳（メタデータ） (2020-11-20T10:30:43Z)
• Understanding and Diagnosing Vulnerability under Adversarial Attacks [62.661498155101654]
  ディープニューラルネットワーク(DNN)は敵の攻撃に弱いことが知られている。 本稿では,潜在変数の分類に使用される特徴を説明するために,新しい解釈可能性手法であるInterpretGANを提案する。 また、各層がもたらす脆弱性を定量化する最初の診断方法も設計する。
  論文  参考訳（メタデータ） (2020-07-17T01:56:28Z)
• MSNet: A Multilevel Instance Segmentation Network for Natural Disaster Damage Assessment in Aerial Videos [74.22132693931145]
  本研究では, ハリケーン, 洪水, 火災などの自然災害後の建物被害を効率的に評価する課題について検討する。 最初のコントリビューションは、ソーシャルメディアからユーザ生成された空中ビデオと、インスタンスレベルのビルディング損傷マスクのアノテーションで構成される、新しいデータセットである。 第二のコントリビューションはMSNetと呼ばれる新しいモデルで、新しい領域の提案ネットワーク設計を含んでいる。
  論文  参考訳（メタデータ） (2020-06-30T02:23:05Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。