論文の概要: AI-Derived Structural Building Intelligence for Urban Resilience: An Application in Saint Vincent and the Grenadines

• arxiv url: http://arxiv.org/abs/2509.18182v1
• Date: Thu, 18 Sep 2025 02:12:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.464652
• Title: AI-Derived Structural Building Intelligence for Urban Resilience: An Application in Saint Vincent and the Grenadines
• Title（参考訳）: 都市レジリエンスのためのAI開発型構造ビルインテリジェンス:セントビンセントとグレナディーンでの応用
• Authors: Isabelle Tingzon, Yoji Toriumi, Caroline Gevaert,
• Abstract要約: 衛星画像から屋上属性を自動的に推測するAI駆動ワークフローを提案する。 我々の研究は、AIと地球観測(EO)データを利用して、より効率的でエビデンスベースの都市ガバナンスを可能にする、SIDSに新たな能力を提供することを目的としています。
• 参考スコア（独自算出の注目度）: 1.1470070927586018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detailed structural building information is used to estimate potential damage from hazard events like cyclones, floods, and landslides, making them critical for urban resilience planning and disaster risk reduction. However, such information is often unavailable in many small island developing states (SIDS) in climate-vulnerable regions like the Caribbean. To address this data gap, we present an AI-driven workflow to automatically infer rooftop attributes from high-resolution satellite imagery, with Saint Vincent and the Grenadines as our case study. Here, we compare the utility of geospatial foundation models combined with shallow classifiers against fine-tuned deep learning models for rooftop classification. Furthermore, we assess the impact of incorporating additional training data from neighboring SIDS to improve model performance. Our best models achieve F1 scores of 0.88 and 0.83 for roof pitch and roof material classification, respectively. Combined with local capacity building, our work aims to provide SIDS with novel capabilities to harness AI and Earth Observation (EO) data to enable more efficient, evidence-based urban governance.
• Abstract（参考訳）: 詳細な構造建築情報は、サイクロン、洪水、地すべりなどの危険事象による潜在的被害を推定するために使用され、都市のレジリエンス計画や災害リスク低減に重要である。 しかし、カリブ海のような気候にやさしい地域では、多くの小さな島開発州(SIDS)ではそのような情報は利用できないことが多い。 このデータギャップに対処するために、高解像度衛星画像から屋上属性を自動的に推測するAI駆動のワークフローを紹介します。 ここでは,地空間基盤モデルと浅層分類器の組み合わせにより,屋上分類のための微調整深層学習モデルと比較する。 さらに、モデル性能を向上させるために、近隣のSIDSから追加のトレーニングデータを導入することの影響を評価する。 屋上ピッチと屋根材分類のF1スコアは0.88点と0.83点である。 我々の研究は、局所的な容量構築と組み合わせることで、SIDSにAIと地球観測(EO)データを活用する新たな能力を提供し、より効率的でエビデンスベースの都市ガバナンスを実現することを目的としています。

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 [50.76124284445902]
  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)
• Classification of residential and non-residential buildings based on satellite data using deep learning [0.0]
  本稿では,高分解能衛星データとベクトルデータを組み合わせて,高性能なビルディング分類を実現する新しいディープラーニング手法を提案する。 大規模データセットによる実験結果から,F1スコアの0.9936が得られた。
  論文  参考訳（メタデータ） (2024-11-11T11:23:43Z)
• TopoFR: A Closer Look at Topology Alignment on Face Recognition [58.45515807380505]
  PTSAと呼ばれるトポロジカル構造アライメント戦略とSDEという硬質試料マイニング戦略を利用する新しいFRモデルであるTopoFRを提案する。 PTSAは永続ホモロジーを用いて入力空間と潜在空間の位相構造を整列し、構造情報を効果的に保存し、FRモデルの一般化性能を向上させる。 一般的な顔のベンチマーク実験の結果は、最先端の手法よりもTopoFRの方が優れていることを示している。
  論文  参考訳（メタデータ） (2024-10-14T14:58:30Z)
• AB2CD: AI for Building Climate Damage Classification and Detection [0.0]
  本研究では, 自然災害の文脈において, 建物の損傷評価を正確に行うための深層学習手法の実装について検討する。 我々は,低品質・騒音ラベルの影響を考慮しつつ,新たな災害・地域への一般化の課題に取り組む。 我々の研究結果は、気候変動によって引き起こされる極端気象事象の影響評価を強化するための高度なAIソリューションの可能性と限界を示している。
  論文  参考訳（メタデータ） (2023-09-03T03:37:04Z)
• Fusing VHR Post-disaster Aerial Imagery and LiDAR Data for Roof Classification in the Caribbean [0.0]
  屋上特性の自動分類には深層学習の手法を応用した。 この作業は、カリブ海での弾力性と災害対応を改善するために、政府がよりタイムリーに構築する情報を作成するのを助けることを目的としている。
  論文  参考訳（メタデータ） (2023-07-30T09:15:38Z)
• Semi-supervised Learning from Street-View Images and OpenStreetMap for Automatic Building Height Estimation [59.6553058160943]
  本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。 提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。 予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
  論文  参考訳（メタデータ） (2023-07-05T18:16:30Z)
• A CNN regression model to estimate buildings height maps using Sentinel-1 SAR and Sentinel-2 MSI time series [0.0]
  本研究では,Sentinel-1 (S1) とSentinel-2 (S2) の時系列を用いて,ビルの高さを空間分解能10mで推定するための教師付きマルチモーダルビルディングハイトネットワーク (MBHR-Net) を提案する。 我々のMBHR-Netは,S1画像とS2画像から意味のある特徴を抽出し,画像パターンと建築高さの複雑な時間的関係を学習することを目的としている。 モデルはオランダのRoot Mean Squared Error(RMSE)、Intersection over Union(IoU)、R-squared(R2)の10都市でトレーニングされ、テストされる。
  論文  参考訳（メタデータ） (2023-07-03T22:16:17Z)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)
• 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)
• 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。