論文の概要: An Explainable Deep Neural Network with Frequency-Aware Channel and Spatial Refinement for Flood Prediction in Sustainable Cities

• arxiv url: http://arxiv.org/abs/2509.08003v1
• Date: Sun, 07 Sep 2025 19:39:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.194317
• Title: An Explainable Deep Neural Network with Frequency-Aware Channel and Spatial Refinement for Flood Prediction in Sustainable Cities
• Title（参考訳）: 持続可能都市における洪水予測のための周波数認識型深部ニューラルネットワークと空間リファインメント
• Authors: Shahid Shafi Dar, Bharat Kaurav, Arnav Jain, Chandravardhan Singh Raghaw, Mohammad Zia Ur Rehman, Nagendra Kumar,
• Abstract要約: XFloodNetは、高度なディープラーニング技術によって都市洪水分類を再定義する新しいフレームワークである。 XFloodNetは93.33%、82.24%、88.60%という最先端のF1スコアを達成し、既存の手法をかなり上回っている。
• 参考スコア（独自算出の注目度）: 5.100600023634809
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In an era of escalating climate change, urban flooding has emerged as a critical challenge for sustainable cities, threatening lives, infrastructure, and ecosystems. Traditional flood detection methods are constrained by their reliance on unimodal data and static rule-based systems, which fail to capture the dynamic, non-linear relationships inherent in flood events. Furthermore, existing attention mechanisms and ensemble learning approaches exhibit limitations in hierarchical refinement, cross-modal feature integration, and adaptability to noisy or unstructured environments, resulting in suboptimal flood classification performance. To address these challenges, we present XFloodNet, a novel framework that redefines urban flood classification through advanced deep-learning techniques. XFloodNet integrates three novel components: (1) a Hierarchical Cross-Modal Gated Attention mechanism that dynamically aligns visual and textual features, enabling precise multi-granularity interactions and resolving contextual ambiguities; (2) a Heterogeneous Convolutional Adaptive Multi-Scale Attention module, which leverages frequency-enhanced channel attention and frequency-modulated spatial attention to extract and prioritize discriminative flood-related features across spectral and spatial domains; and (3) a Cascading Convolutional Transformer Feature Refinement technique that harmonizes hierarchical features through adaptive scaling and cascading operations, ensuring robust and noise-resistant flood detection. We evaluate our proposed method on three benchmark datasets, such as Chennai Floods, Rhine18 Floods, and Harz17 Floods, XFloodNet achieves state-of-the-art F1-scores of 93.33%, 82.24%, and 88.60%, respectively, surpassing existing methods by significant margins.
• Abstract（参考訳）: 気候変動がエスカレートする時代には、持続可能な都市にとって重要な課題として都市洪水が出現し、生活、インフラ、生態系が脅かされている。 従来の洪水検出手法は、洪水イベントに固有の動的で非線形な関係を捉えるのに失敗する、単調なデータと静的な規則に基づくシステムに依存しているため制約を受ける。 さらに、既存の注意機構やアンサンブル学習アプローチは、階層的な洗練、クロスモーダルな特徴統合、騒音や非構造環境への適応性に限界があり、その結果、準最適洪水分類性能がもたらされる。 これらの課題に対処するため、先進的なディープラーニング技術によって都市洪水分類を再定義する新しいフレームワークであるXFloodNetを提案する。 XFloodNetは,(1)視覚的特徴とテキスト的特徴を動的に整合させ,正確な多粒性相互作用を実現し,文脈的曖昧さを解消する階層的クロスモーダルGated Attention機構,(2)周波数強調チャネルの注意と周波数変調空間の注意を生かし,スペクトル領域と空間領域をまたいだ差別的な洪水関連特徴を抽出・優先順位付けするヘテロジニアス・コンボリューショナル・トランスフォーマー・フィーチャー・リファインメントモジュール,(3)適応スケーリングとカスケード操作によって階層的特徴を調和させるカスケーディング・コンボリューショナル・トランスフォーマー・フィーチャー・リファインメント(Cascading Convolutional Transformer Feature Refinement)という,3つの新しいコンポーネントを統合した。 我々は,Chennai Floods,Rhine18 Floods,Harz17 Floodsの3つのベンチマークデータセットを用いて提案手法の評価を行った。

関連論文リスト

• Sat2Flow: A Structure-Aware Diffusion Framework for Human Flow Generation from Satellite Imagery [7.108993680156414]
  Origin-Destination (OD) フロー行列は、交通予測、インフラ計画、政策設計における基盤となる都市移動分析に不可欠である。 本稿では,衛星画像のみを入力として,構造的に整合したODフローを生成する潜在構造認識拡散に基づくフレームワークであるSat2Flowを提案する。 実世界の都市データセットによる実験結果から,Sat2Flowは物理ベースベースラインとデータ駆動ベースラインの両方を数値的精度で上回り,指数置換の下で経験的分布と空間構造を保存する。
  論文  参考訳（メタデータ） (2025-08-27T01:05:37Z)
• Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
  リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。 既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。 本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
  論文  参考訳（メタデータ） (2025-08-07T11:14:16Z)
• FM-LC: A Hierarchical Framework for Urban Flood Mapping by Land Cover Identification Models [4.83455930664954]
  乾燥した環境は、水と隣接した表面の間のスペクトルのコントラストが限られています。 高解像度の毎日のPlanetScope画像は、時間的および空間的な詳細を提供する。 本研究では,土地被覆同定によるフラッドマッピングのための階層的フレームワークであるFM-LCを紹介する。
  論文  参考訳（メタデータ） (2025-07-26T06:25:53Z)
• Adaptive Control Attention Network for Underwater Acoustic Localization and Domain Adaptation [8.017203108408973]
  海洋における音源の局所化は、環境の複雑でダイナミックな性質のために難しい課題である。 本研究では,移動音源と受信機の距離を正確に予測するマルチブランチネットワークアーキテクチャを提案する。 提案手法は,SOTA(State-of-the-art)アプローチに類似した設定で優れる。
  論文  参考訳（メタデータ） (2025-06-20T18:13:30Z)
• SF$^2$Bench: Evaluating Data-Driven Models for Compound Flood Forecasting in South Florida [11.26332965817989]
  世界の気候が洪水のリスクを増大させるにつれて、複合洪水の分析がますます重要になっている。 水理工学センターのリバー分析システムのような伝統的な物理学に基づく手法は、しばしば時間的非効率である。 機械学習は最近、モデリング精度と計算効率の両方において有望であることを示した。
  論文  参考訳（メタデータ） (2025-06-04T04:45:33Z)
• EHGCN: Hierarchical Euclidean-Hyperbolic Fusion via Motion-Aware GCN for Hybrid Event Stream Perception [57.54227977352417]
  イベントカメラは、知覚タスクのための高速なイベントストリームを出力する。 ユークリッド空間と双曲空間の両方においてイベントストリームを知覚するためのEHGCNという新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-23T11:01:03Z)
• Urban Traffic Accident Risk Prediction Revisited: Regionality, Proximity, Similarity and Sparsity [18.566139471849844]
  交通事故は人間の健康と財産の安全に重大な危険をもたらす。 交通事故を防ぐために、リスクを予測することで関心が高まっている。 望ましい予測ソリューションは、交通事故の複雑さに対するレジリエンスを示すべきである、と我々は主張する。
  論文  参考訳（メタデータ） (2024-07-29T03:10:15Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Typhoon Intensity Prediction with Vision Transformer [51.84456610977905]
  台風強度を正確に予測するために「台風強度変換器(Tint)」を導入する。 Tintは、層ごとにグローバルな受容野を持つ自己認識機構を使用する。 公開されている台風ベンチマークの実験は、Tintの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-28T03:11:33Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
  現在の逆順応法は、クロスドメインの特徴を整列させようとする。 1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。 本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-06T22:58:20Z)

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。