論文の概要: HOTA: Hierarchical Overlap-Tiling Aggregation for Large-Area 3D Flood Mapping

• arxiv url: http://arxiv.org/abs/2507.07585v1
• Date: Thu, 10 Jul 2025 09:40:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.343935
• Title: HOTA: Hierarchical Overlap-Tiling Aggregation for Large-Area 3D Flood Mapping
• Title（参考訳）: HOTA:大規模3Dフラッドマッピングのための階層的なオーバーラップ・タイリング集約
• Authors: Wenfeng Jia, Bin Liang, Yuxi Lu, Attavit Wilaiwongsakul, Muhammad Arif Khan, Lihong Zheng,
• Abstract要約: この研究は HOTA: Hierarchical Overlap-Tiling Aggregation, a plug-and-play, multi-scale inference strategy を提示する。 SegFormerとデュアル制約深度推定モジュールを組み合わせると、このアプローチは完全な3Dフラッドマッピングパイプラインを形成する。 以上の結果から, HOTAは急激な災害対応に適した高精度で大面積の3D洪水マップを作成できることが示された。
• 参考スコア（独自算出の注目度）: 4.567610334888734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Floods are among the most frequent natural hazards and cause significant social and economic damage. Timely, large-scale information on flood extent and depth is essential for disaster response; however, existing products often trade spatial detail for coverage or ignore flood depth altogether. To bridge this gap, this work presents HOTA: Hierarchical Overlap-Tiling Aggregation, a plug-and-play, multi-scale inference strategy. When combined with SegFormer and a dual-constraint depth estimation module, this approach forms a complete 3D flood-mapping pipeline. HOTA applies overlapping tiles of different sizes to multispectral Sentinel-2 images only during inference, enabling the SegFormer model to capture both local features and kilometre-scale inundation without changing the network weights or retraining. The subsequent depth module is based on a digital elevation model (DEM) differencing method, which refines the 2D mask and estimates flood depth by enforcing (i) zero depth along the flood boundary and (ii) near-constant flood volume with respect to the DEM. A case study on the March 2021 Kempsey (Australia) flood shows that HOTA, when coupled with SegFormer, improves IoU from 73\% (U-Net baseline) to 84\%. The resulting 3D surface achieves a mean absolute boundary error of less than 0.5 m. These results demonstrate that HOTA can produce accurate, large-area 3D flood maps suitable for rapid disaster response.
• Abstract（参考訳）: 洪水は最も頻繁な自然災害の1つであり、社会や経済に大きな被害をもたらしている。 時折、洪水深度と深度に関する大規模な情報が災害対応に不可欠であるが、既存の製品では、カバー範囲の空間的詳細を交換したり、洪水深度を完全に無視したりすることが多い。 階層的オーバーラップ・タイリング・アグリゲーション(Hierarchical Overlap-Tiling Aggregation)は、プラグイン・アンド・プレイのマルチスケール推論戦略である。 SegFormerとデュアル制約深度推定モジュールを組み合わせると、このアプローチは完全な3Dフラッドマッピングパイプラインを形成する。 HOTAはマルチスペクトルのSentinel-2画像に異なる大きさのタイルを重ね合わせることで、SegFormerモデルはネットワークの重みを変更したりリトレーニングしたりすることなく、局所的な特徴とキロメートル規模の浸水の両方を捉えることができる。 その後の深度モジュールはデジタル標高モデル(DEM)差分法に基づいており、2Dマスクを改良し、強制により浸水深度を推定する。 (i)洪水境界沿いの深さゼロ (二)DEMに関して、ほぼ一定に近い洪水量 2021年3月のケンプシー(オーストラリア)洪水のケーススタディでは、HOTAはSegFormerと組み合わせることで、IoUを73 %(U-Netベースライン)から84 %に改善している。 得られた3次元表面は0.5m未満の平均的な絶対境界誤差を達成する。 これらの結果から, HOTAは, 迅速な災害対応に適した高精度で大面積の3Dフラッドマップを作成できることが示唆された。

関連論文リスト

• Revisiting Depth Representations for Feed-Forward 3D Gaussian Splatting [57.43483622778394]
  本稿では,事前学習した変圧器によって予測される点マップに基づく新しい正規化損失PM-Lossを紹介する。 改良された深度マップにより,様々なアーキテクチャやシーンのフィードフォワード3DGSを大幅に改善する。
  論文  参考訳（メタデータ） (2025-06-05T17:58:23Z)
• DepthLab: From Partial to Complete [80.58276388743306]
  不足する値は、幅広いアプリケーションにわたる深度データにとって共通の課題である。 この作業は、イメージ拡散プリエントを利用した基礎深度塗装モデルであるDepthLabと、このギャップを埋めるものだ。 提案手法は,3Dシーンのインペイント,テキストから3Dシーン生成,DUST3Rによるスパースビュー再構成,LiDAR深度補完など,様々なダウンストリームタスクにおいて有用であることを示す。
  論文  参考訳（メタデータ） (2024-12-24T04:16:38Z)
• EvaNet: Elevation-Guided Flood Extent Mapping on Earth Imagery (Extended Version) [11.820388725641312]
  EvaNetはエンコーダ・デコーダアーキテクチャに基づく標高誘導セグメンテーションモデルである。 これは、洪水範囲マッピングのための既存のソリューションにおいて、U-Netの完全なドロップイン代替として機能する。
  論文  参考訳（メタデータ） (2024-04-27T14:10:09Z)
• NeRF-Det++: Incorporating Semantic Cues and Perspective-aware Depth Supervision for Indoor Multi-View 3D Detection [72.0098999512727]
  NeRF-Detは、NeRFを用いた屋内マルチビュー3次元検出において、表現学習の強化による優れた性能を実現している。 セマンティックエンハンスメント(セマンティックエンハンスメント)、パースペクティブ・アウェア・サンプリング(パースペクティブ・アウェア・サンプリング)、および順序深度監視を含む3つのソリューションを提案する。 結果として得られたアルゴリズムであるNeRF-Det++は、ScanNetV2とAR KITScenesデータセットで魅力的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-22T11:48:06Z)
• DAM-Net: Global Flood Detection from SAR Imagery Using Differential Attention Metric-Based Vision Transformers [22.885444177106873]
  高分解能合成開口レーダ(SAR)画像を用いた浸水領域の検出は危機管理や災害管理における重要な課題である。 そこで本研究では,新しいディファレンシャル・アテンション・メトリック・ベース・ネットワーク(DAM-Net)を提案する。 DAM-Netは、多時間画像のマルチスケールな変化特徴を得るためのウェイトシェアリングシームスバックボーンと、水体変化の高レベルな意味情報を含むトークンの2つのキーコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-06-01T14:12:33Z)
• CAGroup3D: Class-Aware Grouping for 3D Object Detection on Point Clouds [55.44204039410225]
  本稿では,CAGroup3Dという新しい2段階完全スパース3Dオブジェクト検出フレームワークを提案する。 提案手法は,まず,オブジェクト表面のボクセル上でのクラス認識型局所群戦略を活用することによって,高品質な3D提案を生成する。 不正なボクセルワイドセグメンテーションにより欠落したボクセルの特徴を回復するために,完全にスパースな畳み込み型RoIプールモジュールを構築した。
  論文  参考訳（メタデータ） (2022-10-09T13:38:48Z)
• DevNet: Self-supervised Monocular Depth Learning via Density Volume Construction [51.96971077984869]
  単眼画像からの自己教師付き深度学習は、通常、時間的に隣接する画像フレーム間の2Dピクセル単位の光度関係に依存する。 本研究は, 自己教師型単眼深度学習フレームワークであるDevNetを提案する。
  論文  参考訳（メタデータ） (2022-09-14T00:08:44Z)

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。