論文の概要: Estimation of Fireproof Structure Class and Construction Year for Disaster Risk Assessment

• arxiv url: http://arxiv.org/abs/2510.22683v1
• Date: Sun, 26 Oct 2025 13:54:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.324758
• Title: Estimation of Fireproof Structure Class and Construction Year for Disaster Risk Assessment
• Title（参考訳）: 災害リスク評価のための防火構造クラスと建設年数の推定
• Authors: Hibiki Ayabe, Kazushi Okamoto, Koki Karube, Atsushi Shibata, Kei Harada,
• Abstract要約: 建設年や構造タイプといった重要な建築メタデータは、しばしば欠落または時代遅れである。 本研究では,これらの属性をファサード画像から予測するマルチタスク学習モデルを提案する。 本研究では,日本の住宅画像の大規模データセットを用いてモデルを訓練し,評価した。
• 参考スコア（独自算出の注目度）: 0.6524460254566904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structural fireproof classification is vital for disaster risk assessment and insurance pricing in Japan. However, key building metadata such as construction year and structure type are often missing or outdated, particularly in the second-hand housing market. This study proposes a multi-task learning model that predicts these attributes from facade images. The model jointly estimates the construction year, building structure, and property type, from which the structural fireproof class - defined as H (non-fireproof), T (semi-fireproof), or M (fireproof) - is derived via a rule-based mapping based on official insurance criteria. We trained and evaluated the model using a large-scale dataset of Japanese residential images, applying rigorous filtering and deduplication. The model achieved high accuracy in construction-year regression and robust classification across imbalanced categories. Qualitative analyses show that it captures visual cues related to building age and materials. Our approach demonstrates the feasibility of scalable, interpretable, image-based risk-profiling systems, offering potential applications in insurance, urban planning, and disaster preparedness.
• Abstract（参考訳）: 構造物の防火分類は, 災害リスク評価, 保険料金に欠かせない。 しかし、特に中古住宅市場では、建設年や構造タイプといった重要な建築メタデータが欠落したり時代遅れになったりすることが多い。 本研究では,これらの属性をファサード画像から予測するマルチタスク学習モデルを提案する。 H(非防火)、T(半防火)、M(防火)と定義される構造防火クラスが、公式の保険基準に基づく規則に基づくマッピングによって導出される構造防火クラスである。 本研究では,日本の住宅画像の大規模データセットを用いて,厳密なフィルタリングと復号化を適用してモデルを訓練・評価した。 このモデルは、不均衡なカテゴリ間で構成年次回帰とロバストな分類において高い精度を達成した。 定性的分析は、建築年代や材料に関連する視覚的手がかりを捉えることを示している。 我々のアプローチは、スケーラブルで解釈可能な、イメージベースのリスクプロファイリングシステムの実現可能性を示し、保険、都市計画、災害に備える可能性を示している。

関連論文リスト

• Deep learning-based automated damage detection in concrete structures using images from earthquake events [4.024850952459758]
  本研究では,大規模地震後のコンクリート構造物や橋梁の露出鋼補強を深層学習法により検出する構造損傷条件について検討する。 2023年の地震以降に収集された新しい画像データセットは、幅広い損傷を受けたコンクリート構造物を表すものとしてラベル付けされた。 提案手法はディープラーニングフレームワーク上に構築され,微調整,データ拡張,公開データセット上でのテストが可能である。
  論文  参考訳（メタデータ） (2025-10-24T00:35:14Z)
• 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)
• StructEval: Deepen and Broaden Large Language Model Assessment via Structured Evaluation [46.59416831869014]
  本稿では,StructEvalと呼ばれる新しい評価フレームワークを提案する。 原子テストの目的から始めて、StructEvalは、複数の認知レベルと批判的概念にまたがって構造化された評価を行うことによって、評価をさらに深め、拡張する。 広く使用されている3つのベンチマークの実験は、StructEvalがデータ汚染のリスクに抵抗する信頼性の高いツールであることを示している。
  論文  参考訳（メタデータ） (2024-08-06T16:28:30Z)
• 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)
• Adversarial Attack and Defense of Structured Prediction Models [58.49290114755019]
  本論文では,NLPにおける構造化予測タスクに対する攻撃と防御について検討する。 構造化予測モデルの構造化出力は、入力中の小さな摂動に敏感である。 本稿では,シーケンス・ツー・シーケンス・モデルを用いて,構造化予測モデルへの攻撃を学習する,新規で統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-04T15:54:03Z)
• 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。