論文の概要: Deploying Rapid Damage Assessments from sUAS Imagery for Disaster Response
- arxiv url: http://arxiv.org/abs/2511.03132v1
- Date: Wed, 05 Nov 2025 02:49:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-06 18:19:32.30315
- Title: Deploying Rapid Damage Assessments from sUAS Imagery for Disaster Response
- Title（参考訳）: 災害対応のためのSUAS画像からの迅速な被害評価の展開
- Authors: Thomas Manzini, Priyankari Perali, Robin R. Murphy,
- Abstract要約: 本稿では、連邦政府が指定した災害時(ハリケーン・デビー・ヘレーヌ)に運用する無人航空システム(sUAS)画像における建物損傷評価を自動化するAI/MLシステムについて述べる。
大規模な災害に対応するため、被害地域の画像を収集し、被害を評価するため、sUASチームが派遣される。
最近の災害では、チームは1日47GBから369GBの画像をまとめて提供し、災害現場で被写体の専門家によって合理的に送信または解釈される画像よりも多くの画像を表現した。
実際に遭遇したこのデータの雪崩を軽減するために、コンピュータビジョンと機械学習技術が有用である
- 参考スコア（独自算出の注目度）: 3.441021278275805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents the first AI/ML system for automating building damage assessment in uncrewed aerial systems (sUAS) imagery to be deployed operationally during federally declared disasters (Hurricanes Debby and Helene). In response to major disasters, sUAS teams are dispatched to collect imagery of the affected areas to assess damage; however, at recent disasters, teams collectively delivered between 47GB and 369GB of imagery per day, representing more imagery than can reasonably be transmitted or interpreted by subject matter experts in the disaster scene, thus delaying response efforts. To alleviate this data avalanche encountered in practice, computer vision and machine learning techniques are necessary. While prior work has been deployed to automatically assess damage in satellite imagery, there is no current state of practice for sUAS-based damage assessment systems, as all known work has been confined to academic settings. This work establishes the state of practice via the development and deployment of models for building damage assessment with sUAS imagery. The model development involved training on the largest known dataset of post-disaster sUAS aerial imagery, containing 21,716 building damage labels, and the operational training of 91 disaster practitioners. The best performing model was deployed during the responses to Hurricanes Debby and Helene, where it assessed a combined 415 buildings in approximately 18 minutes. This work contributes documentation of the actual use of AI/ML for damage assessment during a disaster and lessons learned to the benefit of the AI/ML research and user communities.
- Abstract（参考訳）: 本稿では,連邦政府が指定した災害時(ハリケーン・デビー・アンド・ヘレーヌ)に運用する無人航空システム(sUAS)画像の建物損傷評価を自動化するAI/MLシステムを提案する。
大災害に対応するため、被災地の画像を収集するため、sUASチームが派遣されるが、近年の災害では、1日47GBから369GBの画像を総括して提供し、災害現場で被写体の専門家が合理的に送信・解釈できる画像よりも多く表現しているため、対応作業が遅れている。
このデータ雪崩を緩和するためには、コンピュータビジョンと機械学習技術が必要である。
衛星画像の損傷を自動的に評価するための先行作業が実施されているが、すべての既知の作業が学術的な設定に限定されているため、sUASベースの損傷評価システムの実践状況はない。
この研究は、sUAS画像による損傷評価を構築するためのモデルの開発と展開を通じて、実践状況を確立する。
モデルの開発には、21,716件の建物損傷ラベルと91人の災害実践者の運用訓練が含まれていた。
最高の性能のモデルは、ハリケーン・デビーとヘレーヌへの応答中に展開され、約18分で合計415棟の建物を評価した。
この研究は、災害時の被害評価にAI/MLが実際に使われていることのドキュメントと、AI/ML研究とユーザコミュニティの利益のために学んだ教訓に貢献する。
関連論文リスト
- Structural Damage Detection Using AI Super Resolution and Visual Language Model [0.0]
本研究では,空飛ぶドローン映像,高度なAIベースビデオ超解像モデル,ビデオ再生変換器(VRT),および27億パラメータビジュアル言語モデル(VLM)であるGemma3:27bを活用する,費用対効果の高い新しいフレームワークを提案する。
この統合システムは、低解像度の災害映像を改善し、構造的損傷を特定し、建物を4つの損傷カテゴリーに分類するように設計されている。
このフレームワークは84.5%の精度を達成し、非常に正確な結果を提供する能力を示した。
論文 参考訳（メタデータ） (2025-08-23T20:12:06Z) - 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) - CRASAR-U-DROIDs: A Large Scale Benchmark Dataset for Building Alignment and Damage Assessment in Georectified sUAS Imagery [0.5699788926464749]
CRASAR-U-DROIDsは、SUASオルソモザイク画像の最大のラベル付きデータセットである。
CRASAR-U-DRIODsデータセットは、連邦政府が宣言した災害10件から52件(52件)のオルソモザイクで構成されている。
論文 参考訳（メタデータ） (2024-07-24T23:39:10Z) - Causality-informed Rapid Post-hurricane Building Damage Detection in
Large Scale from InSAR Imagery [6.331801334141028]
ハリケーンによる建物被害のタイムリーかつ正確な評価は、ハリケーン後の効果的な応答と復旧に不可欠である。
近年,リモートセンシング技術は,災害発生直後の大規模光合成開口レーダ(InSAR)画像データを提供する。
これらのInSAR画像は、しばしば、人為的活動と同様に、建物損傷、洪水・風による植生変化、および建物損傷の同時発生または同時発生によって引き起こされる、非常に騒々しく混ざった信号を含んでいる。
本稿では,InSAR画像からハリケーン後の建物被害の迅速検出手法を提案する。
論文 参考訳（メタデータ） (2023-10-02T18:56:05Z) - Detecting Damage Building Using Real-time Crowdsourced Images and
Transfer Learning [53.26496452886417]
本稿では,Twitterなどのソーシャルメディアプラットフォームから地震後の建物画像を自動的に抽出する手法を提案する。
トランスファーラーニングと6500枚の手動ラベル付き画像を用いて,現場に損傷のある建物を画像として認識する深層学習モデルを訓練した。
訓練されたモデルは、異なる場所で新たに取得した地震の画像でテストし、トルコのM7.0地震の後、Twitterのフィードでほぼリアルタイムで実行された。
論文 参考訳（メタデータ） (2021-10-12T06:31:54Z) - Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。
純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。
我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
論文 参考訳（メタデータ） (2021-04-10T15:00:15Z) - 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) - Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。
物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。
この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
論文 参考訳（メタデータ） (2020-10-16T02:15:34Z) - 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) - Rapid Damage Assessment Using Social Media Images by Combining Human and
Machine Intelligence [5.610924570214424]
本研究は,現実の災害時におけるソーシャルメディア画像コンテンツの有用性を解析し,迅速な被害評価を行う。
自動画像処理システムが280K画像を処理し、災害による被害の程度を把握した。
論文 参考訳（メタデータ） (2020-04-14T17:26:36Z)
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。