論文の概要: EIDSeg: A Pixel-Level Semantic Segmentation Dataset for Post-Earthquake Damage Assessment from Social Media Images

• arxiv url: http://arxiv.org/abs/2511.06456v1
• Date: Sun, 09 Nov 2025 16:42:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.959363
• Title: EIDSeg: A Pixel-Level Semantic Segmentation Dataset for Post-Earthquake Damage Assessment from Social Media Images
• Title（参考訳）: EIDSeg:ソーシャルメディア画像による地震後の被害評価のための画素レベルセマンティックセマンティックセマンティックデータセット
• Authors: Huili Huang, Chengeng Liu, Danrong Zhang, Shail Patel, Anastasiya Masalava, Sagar Sadak, Parisa Babolhavaeji, WeiHong Low, Max Mahdi Roozbahani, J. David Frost,
• Abstract要約: EIDSegは,地震後のソーシャルメディア画像に特化された,最初の大規模セマンティックセマンティックセマンティックセマンティクスデータセットである。 このデータセットは、2008-2023年の9大地震の3,266枚の画像からなり、5種類のインフラ被害を注視している。 我々は、最先端セグメンテーションモデルをいくつかベンチマークし、Msk Transformer (EoMT) を、mIoU (Mean Intersection over Union) (mIoU) の80.8%で最高性能の方法として同定した。
• 参考スコア（独自算出の注目度）: 0.5155683227758207
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Rapid post-earthquake damage assessment is crucial for rescue and resource planning. Still, existing remote sensing methods depend on costly aerial images, expert labeling, and produce only binary damage maps for early-stage evaluation. Although ground-level images from social networks provide a valuable source to fill this gap, a large pixel-level annotated dataset for this task is still unavailable. We introduce EIDSeg, the first large-scale semantic segmentation dataset specifically for post-earthquake social media imagery. The dataset comprises 3,266 images from nine major earthquakes (2008-2023), annotated across five classes of infrastructure damage: Undamaged Building, Damaged Building, Destroyed Building, Undamaged Road, and Damaged Road. We propose a practical three-phase cross-disciplinary annotation protocol with labeling guidelines that enables consistent segmentation by non-expert annotators, achieving over 70% inter-annotator agreement. We benchmark several state-of-the-art segmentation models, identifying Encoder-only Mask Transformer (EoMT) as the top-performing method with a Mean Intersection over Union (mIoU) of 80.8%. By unlocking social networks' rich ground-level perspective, our work paves the way for a faster, finer-grained damage assessment in the post-earthquake scenario.
• Abstract（参考訳）: 地震後の急激な被害評価は、救助と資源計画に不可欠である。 それでも、既存のリモートセンシング手法は、高価な空中画像、専門家のラベル付けに依存し、早期評価のために2値の損傷マップのみを生成する。 ソーシャルネットワークの地上レベルの画像はこのギャップを埋めるための貴重な情報源を提供するが、このタスクのための大きなピクセルレベルの注釈付きデータセットはまだ利用できない。 EIDSegは,地震後のソーシャルメディア画像に特化された,最初の大規模セマンティックセマンティックセマンティックセマンティクスデータセットである。 このデータセットは、2008-2023年の9大地震の3,266枚の画像からなり、被害を受けた建物、被害を受けた建物、荒廃した建物、被害を受けた道路、被害を受けた道路の5つのレベルにアノテートされている。 非専門家による一貫したセグメンテーションを実現し,70%以上のアノテータ間合意を達成できるラベル付けガイドラインを備えた実用的な3相クロスディシプリナアノテーションプロトコルを提案する。 そこで我々は,エンコーダのみのマスク変換器 (EoMT) を,mIoU (Mean Intersection over Union) の80.8%で最高性能の手法として,最先端セグメンテーションモデルのベンチマークを行った。 ソーシャルネットワークの豊富な地上レベルの視点を解き放つことで、我々の研究は、地震後のシナリオにおけるより速くきめ細かな被害評価の道を開くことができる。

関連論文リスト

• ForensicsSAM: Toward Robust and Unified Image Forgery Detection and Localization Resisting to Adversarial Attack [56.0056378072843]
  高い転送性を持つ逆画像は上流モデルでのみ作成可能であることを示す。 本稿では,IFDLフレームワークを組み込んだForensicsSAMを提案する。
  論文  参考訳（メタデータ） (2025-08-10T16:03:44Z)
• From Pixels to Damage Severity: Estimating Earthquake Impacts Using Semantic Segmentation of Social Media Images [0.0]
  ソーシャルメディア画像は、災害偵察の重要な資源となり、被害の程度に関する洞察を与えている。 地震後のソーシャルメディア画像における被害重大度評価への従来のアプローチは、しばしば分類法に依存している。 本研究は, 意味的セグメンテーション問題として, 損傷重大度評価をフレーミングすることで, 新たなアプローチを提案する。
  論文  参考訳（メタデータ） (2025-07-03T16:43:56Z)
• 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)
• Generalizable Disaster Damage Assessment via Change Detection with Vision Foundation Model [17.016411785224317]
  DAVI(Disaster Assessment with Vision foundation model)は,ドメインの格差に対処し,ターゲット領域に接地トラストラベルを必要とせずに建物レベルで構造的損傷を検出する手法である。 DAVIは、ソース領域で訓練されたモデルからのタスク固有の知識と、イメージセグメンテーションモデルからのタスク非依存の知識を組み合わせて、ターゲット領域の潜在的な損傷を示す擬似ラベルを生成する。 次に、2段階の精錬プロセスを使用し、ピクセルレベルと画像レベルの両方で動作し、災害被害地域の変化を正確に識別する。
  論文  参考訳（メタデータ） (2024-06-12T09:21:28Z)
• Aerial Lifting: Neural Urban Semantic and Building Instance Lifting from Aerial Imagery [51.73680703579997]
  航空画像から都市規模のセマンティックスとビルレベルのインスタンスセグメンテーションのためのニューラルラジアンスフィールド法を提案する。 都市空撮画像の物体は、建物、車、道路など、相当な大きさのバリエーションを示している。 我々は,様々な大きさのオブジェクトのセグメンテーションを強化する,スケール適応型セマンティックラベル融合戦略を導入する。 次に、2次元のインスタンスラベルにおける多視点不整合問題を緩和するために、新しいクロスビューインスタンスラベルグループ化戦略を導入する。
  論文  参考訳（メタデータ） (2024-03-18T14:15:39Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• SegmentMeIfYouCan: A Benchmark for Anomaly Segmentation [111.61261419566908]
  ディープニューラルネットワーク(DNN)は通常、閉集合のセマンティッククラスで訓練される。 未発見のオブジェクトを扱うには不備だ。 このような物体の検出と局在化は、自動運転の認識などの安全クリティカルなアプリケーションに不可欠です。
  論文  参考訳（メタデータ） (2021-04-30T07:58:19Z)
• 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。