論文の概要: Multi-Label Classification Framework for Hurricane Damage Assessment

• arxiv url: http://arxiv.org/abs/2507.02265v1
• Date: Thu, 03 Jul 2025 03:15:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:15.486573
• Title: Multi-Label Classification Framework for Hurricane Damage Assessment
• Title（参考訳）: ハリケーン被害評価のためのマルチラベル分類フレームワーク
• Authors: Zhangding Liu, Neda Mohammadi, John E. Taylor,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.8434042562191815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hurricanes cause widespread destruction, resulting in diverse damage types and severities that require timely and accurate assessment for effective disaster response. While traditional single-label classification methods fall short of capturing the complexity of post-hurricane damage, this study introduces a novel multi-label classification framework for assessing damage using aerial imagery. The proposed approach integrates a feature extraction module based on ResNet and a class-specific attention mechanism to identify multiple damage types within a single image. Using the Rescuenet dataset from Hurricane Michael, the proposed method achieves a mean average precision of 90.23%, outperforming existing baseline methods. This framework enhances post-hurricane damage assessment, enabling more targeted and efficient disaster response and contributing to future strategies for disaster mitigation and resilience. This paper has been accepted at the ASCE International Conference on Computing in Civil Engineering (i3CE 2025), and the camera-ready version will appear in the official conference proceedings.
• Abstract（参考訳）: ハリケーンは広範囲にわたる破壊を引き起こし、様々な損傷タイプや重大さをもたらし、効果的な災害対応のための時間的かつ正確な評価を必要としている。 従来の単一ラベル分類手法は, ハリケーン後の損傷の複雑さを捉えるには不十分であるが, 航空画像を用いた損傷評価のための新しい多ラベル分類手法を提案する。 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。 この枠組みは、ハリケーン後の被害評価を強化し、より標的的で効率的な災害対応を可能にし、防災とレジリエンスの今後の戦略に寄与する。 この論文はASCE International Conference on Computing in Civil Engineering (i3CE 2025)で受け入れられており、カメラ対応版は公式カンファレンスの手続きに掲載される予定である。

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)
• DamageCAT: A Deep Learning Transformer Framework for Typology-Based Post-Disaster Building Damage Categorization [1.9835707645687721]
  本稿では,分類的分類的損傷記述を提供する新しいフレームワークであるDanceCATを紹介する。 TypoSATデータセットには、ハリケーン・アイダの衛星画像三つ子(災害前、災害後、被害マスク)が含まれている。 階層的なU-Netベースのトランスフォーマーアーキテクチャは、災害前のイメージペアを効果的に処理し、建物の損傷を特定し分類する。
  論文  参考訳（メタデータ） (2025-04-15T21:53:59Z)
• Multiclass Post-Earthquake Building Assessment Integrating High-Resolution 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)
• Multi-step feature fusion for natural disaster damage assessment on satellite images [0.0]
  複数のネットワークレベルで機能融合を行う新しい畳み込みニューラルネットワーク(CNN)モジュールを導入する。 イメージペアの分析にCNNモデルを適用するために、追加のネットワーク要素であるFuse Moduleが提案された。 視覚変換器モデルの精度は3ポイント以上向上した。
  論文  参考訳（メタデータ） (2024-10-29T09:47:32Z)
• 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)
• 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)
• 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)
• 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。