論文の概要: mwBTFreddy: A Dataset for Flash Flood Damage Assessment in Urban Malawi

• arxiv url: http://arxiv.org/abs/2505.01242v1
• Date: Fri, 02 May 2025 13:06:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:20.029414
• Title: mwBTFreddy: A Dataset for Flash Flood Damage Assessment in Urban Malawi
• Title（参考訳）: mwBTFreddy: マラウイのフラッシュ洪水被害評価データセット
• Authors: Evelyn Chapuma, Grey Mengezi, Lewis Msasa, Amelia Taylor,
• Abstract要約: 本稿では,マラウイの都市における洪水被害評価を支援するために開発されたmwBTFreddyデータセットについて述べる。 このデータセットは、Google Earth Proの衛星画像と、建物アノテーションと損傷レベル(損傷なし、マイナー、メジャー、破壊なし)のラベル付きファイルを含む。 また、洪水被害の可視化と空間分析をサポートし、気候にやさしい地域での移転、インフラ計画、緊急対応に関する決定を通知する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper describes the mwBTFreddy dataset, a resource developed to support flash flood damage assessment in urban Malawi, specifically focusing on the impacts of Cyclone Freddy in 2023. The dataset comprises paired pre- and post-disaster satellite images sourced from Google Earth Pro, accompanied by JSON files containing labelled building annotations with geographic coordinates and damage levels (no damage, minor, major, or destroyed). Developed by the Kuyesera AI Lab at the Malawi University of Business and Applied Sciences, this dataset is intended to facilitate the development of machine learning models tailored to building detection and damage classification in African urban contexts. It also supports flood damage visualisation and spatial analysis to inform decisions on relocation, infrastructure planning, and emergency response in climate-vulnerable regions.
• Abstract（参考訳）: 本稿では,マラウイの都市における洪水被害評価を支援するために開発されたmwBTFreddyデータセットについて述べる。 このデータセットは、Google Earth Proからソースされた2つの衛星画像と、地理的座標と損傷レベル(損傷なし、マイナー、メジャー、破壊なし)のラベル付きビルディングアノテーションを含むJSONファイルで構成されている。 マラウイビジネス・応用科学大学のKuyesera AI Labによって開発されたこのデータセットは、アフリカの都市環境における検出と損傷の分類を構築するのに適した機械学習モデルの開発を促進することを目的としている。 また、洪水被害の可視化と空間分析をサポートし、気候にやさしい地域での移転、インフラ計画、緊急対応に関する決定を通知する。

関連論文リスト

• BRIGHT: A globally distributed multimodal building damage assessment dataset with very-high-resolution for all-weather disaster response [37.37991234180912]
  ビル被害評価(BDA)は、人的被害を減らすために災害後の重要な能力である。 近年の研究では、目に見えない災害事象の正確なマッピングを実現するためのAIモデルの開発に焦点が当てられている。 本稿では, veRy-hIGH-resoluTion Optical and SAR image (BRIGHT) を用いたBDAデータセットを提案する。
  論文  参考訳（メタデータ） (2025-01-10T14:57:18Z)
• Integrated GIS- and network-based framework for assessing urban critical infrastructure accessibility and resilience: the case of Hurricane Michael [0.0]
  本研究は, ハリケーン等の極端なイベントにおける都市インフラの弾力性を評価するための枠組みを提案する。 この手法はGISとネットワーク分析を、余波のオープンなリモートセンシングデータ、インフラ上のベクトルデータ、被災地域の人口の社会デコグラフィー特性と組み合わせる。
  論文  参考訳（メタデータ） (2024-12-18T11:07:27Z)
• Cross-View Geolocalization and Disaster Mapping with Street-View and VHR Satellite Imagery: A Case Study of Hurricane IAN [9.128051274958356]
  本研究では,地すべりと損傷知覚推定を同時に行う新しい災害対応フレームワーク,CVDisasterを提案する。 CVDisasterは2つのクロスビューモデルから構成されており、CVDisaster-Geolocはクロスビューなジオローカライゼーションモデルを指す。 CVDisasterは, 微調整を限定して高い競争性能(局地化80%以上, 損傷知覚推定75%以上)を達成できることを示す。
  論文  参考訳（メタデータ） (2024-08-13T09:37:26Z)
• Generalizable Disaster Damage Assessment via Change Detection with Vision Foundation Model [17.016411785224317]
  DAVI(Disaster Assessment with Vision foundation model)は,ドメインの格差に対処し,ターゲット領域に接地トラストラベルを必要とせずに建物レベルで構造的損傷を検出する手法である。 DAVIは、ソース領域で訓練されたモデルからのタスク固有の知識と、イメージセグメンテーションモデルからのタスク非依存の知識を組み合わせて、ターゲット領域の潜在的な損傷を示す擬似ラベルを生成する。 次に、2段階の精錬プロセスを使用し、ピクセルレベルと画像レベルの両方で動作し、災害被害地域の変化を正確に識別する。
  論文  参考訳（メタデータ） (2024-06-12T09:21:28Z)
• FLOGA: A machine learning ready dataset, a benchmark and a novel deep learning model for burnt area mapping with Sentinel-2 [41.28284355136163]
  森林火災は人間や動物の生活、生態系、社会経済の安定に重大な脅威をもたらす。 本研究では、FLOGA(Forest wiLdfire Observations for the Greek Area)と名付けた機械学習可能なデータセットを作成し、導入する。 このデータセットは、山火事の前後に取得された衛星画像からなるため、ユニークなものである。 我々はFLOGAを用いて、複数の機械学習アルゴリズムとディープラーニングアルゴリズムの徹底的な比較を行い、バーント領域の自動抽出を行う。
  論文  参考訳（メタデータ） (2023-11-06T18:42:05Z)
• DAHiTrA: Damage Assessment Using a Novel Hierarchical Transformer Architecture [4.162725423624233]
  本稿では,衛星画像に基づいて建物損傷を分類する階層変換器を用いた新しいディープラーニングモデルDAHiTrAを提案する。 衛星画像はリアルタイムで高被覆情報を提供する。 ディープラーニング手法は、建物の損傷を分類する上で有望であることが示されている。
  論文  参考訳（メタデータ） (2022-08-03T16:41:39Z)
• Learning from Multimodal and Multitemporal Earth Observation Data for Building Damage Mapping [17.324397643429638]
  我々は、損傷マッピングを構築するためのグローバルなマルチセンサとマルチテンポラルデータセットを開発した。 グローバルデータセットには、高解像度の光学画像と高解像度のマルチバンドSARデータが含まれている。 我々は、深層畳み込みニューラルネットワークアルゴリズムに基づいて、損傷建物の意味的セグメンテーションのための損傷マッピングフレームワークを定義した。
  論文  参考訳（メタデータ） (2020-09-14T05:04:19Z)
• 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。