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

• 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)
• 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)
• 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)
• 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。