論文の概要: AIFloodSense: A Global Aerial Imagery Dataset for Semantic Segmentation and Understanding of Flooded Environments
- arxiv url: http://arxiv.org/abs/2512.17432v1
- Date: Fri, 19 Dec 2025 10:34:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-22 19:25:54.343747
- Title: AIFloodSense: A Global Aerial Imagery Dataset for Semantic Segmentation and Understanding of Flooded Environments
- Title（参考訳）: AIFloodSense: セマンティックセグメンテーションと洪水環境理解のためのグローバル航空画像データセット
- Authors: Georgios Simantiris, Konstantinos Bacharidis, Apostolos Papanikolaou, Petros Giannakakis, Costas Panagiotakis,
- Abstract要約: AIFloodSenseは、64か国と6大陸にわたる230の異なる洪水イベントの470の高解像度画像からなる、包括的で公開可能な航空画像データセットである。
以前のベンチマークとは異なり、AIFloodSenseはグローバルな多様性と時間的関連性(2022-2024)を確保し、3つの補完的なタスクをサポートする。
最新のアーキテクチャを使って、すべてのタスクのベースラインベンチマークを確立し、データセットの複雑さとその価値を実証します。
- 参考スコア（独自算出の注目度）: 1.381010753883328
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate flood detection from visual data is a critical step toward improving disaster response and risk assessment, yet datasets for flood segmentation remain scarce due to the challenges of collecting and annotating large-scale imagery. Existing resources are often limited in geographic scope and annotation detail, hindering the development of robust, generalized computer vision methods. To bridge this gap, we introduce AIFloodSense, a comprehensive, publicly available aerial imagery dataset comprising 470 high-resolution images from 230 distinct flood events across 64 countries and six continents. Unlike prior benchmarks, AIFloodSense ensures global diversity and temporal relevance (2022-2024), supporting three complementary tasks: (i) Image Classification with novel sub-tasks for environment type, camera angle, and continent recognition; (ii) Semantic Segmentation providing precise pixel-level masks for flood, sky, and buildings; and (iii) Visual Question Answering (VQA) to enable natural language reasoning for disaster assessment. We establish baseline benchmarks for all tasks using state-of-the-art architectures, demonstrating the dataset's complexity and its value in advancing domain-generalized AI tools for climate resilience.
- Abstract（参考訳）: 視覚データからの正確な洪水検出は、災害対応とリスクアセスメントを改善するための重要なステップであるが、大規模な画像の収集と注釈付けの課題のため、洪水セグメンテーションのためのデータセットは乏しい。
既存のリソースは、しばしば地理的範囲とアノテーションの詳細に制限され、堅牢で一般化されたコンピュータビジョンの手法の開発を妨げる。
AIFloodSenseは、64か国と6大陸にわたる230の異なる洪水イベントの470の高解像度画像からなる、包括的で公開可能な航空画像データセットである。
以前のベンチマークとは異なり、AIFloodSenseはグローバルな多様性と時間的関連性(2022-2024)を確保し、3つの補完的なタスクをサポートする。
一 環境タイプ、カメラアングル及び大陸認識のための新しいサブタスクによる画像分類
二 洪水、空、建物のための正確な画素レベルのマスクを提供するセマンティックセグメンテーション
三 災害評価のための自然言語推論を可能にする視覚質問応答(VQA)
我々は、最先端アーキテクチャを使用して、すべてのタスクのベースラインベンチマークを確立し、気候回復のためのドメイン汎用AIツールの進歩におけるデータセットの複雑さとその価値を実証します。
関連論文リスト
- Generalized Referring Expression Segmentation on Aerial Photos [47.944645462877894]
本研究では,航空画像のための大規模参照表現セグメンテーションデータセットであるAerial-Dを提案する。
これは37,288のイメージと1,522,523の参照式で構成され、259,709の注釈付きターゲットをカバーし、個々のオブジェクトインスタンス、インスタンスのグループ、セマンティック領域にまたがる。
我々はRSRefSegアーキテクチャを採用し、Aerial-Dのモデルを事前の空中データセットとともに訓練し、現代画像と歴史的画像の両方のテキストから統一されたインスタンスとセマンティックセグメンテーションを得た。
論文 参考訳（メタデータ） (2025-12-08T09:25:59Z) - Exploring the Underwater World Segmentation without Extra Training [55.291219073365546]
我々は,最初の大規模かつ微細な水中セグメンテーションデータセットである textbfAquaOV255 を紹介する。
トレーニング不要なOVセグメンテーションフレームワークである textbfEarth2Ocean も紹介する。
論文 参考訳（メタデータ） (2025-11-11T07:22:56Z) - EIDSeg: A Pixel-Level Semantic Segmentation Dataset for Post-Earthquake Damage Assessment from Social Media Images [0.5155683227758207]
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。
論文 参考訳（メタデータ） (2025-11-09T16:42:36Z) - DescribeEarth: Describe Anything for Remote Sensing Images [56.04533626223295]
リモートセンシングのためのオブジェクトレベルのきめ細かい画像キャプションのための新しいタスクであるGeo-DLCを提案する。
このタスクを支援するために,オブジェクト属性,関係,コンテキストを詳細に記述した大規模データセットであるDE-Datasetを構築した。
また,Geo-DLC用に設計されたマルチモーダル大規模言語モデルアーキテクチャであるDescribeEarthを提案する。
論文 参考訳（メタデータ） (2025-09-30T01:53:34Z) - AerialMegaDepth: Learning Aerial-Ground Reconstruction and View Synthesis [57.249817395828174]
本研究では,3次元都市規模のメッシュからの擬似合成レンダリングと,実地レベルでのクラウドソース画像を組み合わせたスケーラブルなフレームワークを提案する。
擬似合成データは、幅広い空中視点をシミュレートする一方、実際のクラウドソース画像は、地上レベルの画像の視覚的忠実度を改善するのに役立つ。
このハイブリッドデータセットを使用して、いくつかの最先端のアルゴリズムを微調整し、実世界のゼロショット地上作業において大幅な改善を実現する。
論文 参考訳（メタデータ） (2025-04-17T17:57:05Z) - 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) - BlessemFlood21: Advancing Flood Analysis with a High-Resolution Georeferenced Dataset for Humanitarian Aid Support [34.91321323785173]
我々はBlessemFlood21データセットを導入し、効率的な洪水検知ツールの研究を刺激する。
この画像は、2021年のエルフトシュタット=ブレセム洪水で取得され、高解像度でジオレファレンスなRGB-NIR画像で構成された。
得られたRGBデータセットでは、画像に詳細な水面を補足し、半教師付きヒト・イン・ザ・ループ技術を用いて取得する。
論文 参考訳（メタデータ） (2024-07-06T08:58:43Z) - 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) - LUAI Challenge 2021 on Learning to Understand Aerial Images [113.42987112252851]
本報告では,ICCV 2021で実施したLearning to Understand Aerial Images (LUAI) 2021の課題について要約する。
DOTA-v2.0 と GID-15 のデータセットを用いて,オブジェクト指向物体検出,水平物体検出,空中画像における共通カテゴリのセマンティックセグメンテーションの3つのタスクを提案する。
論文 参考訳（メタデータ） (2021-08-30T14:03:54Z) - FloodNet: A High Resolution Aerial Imagery Dataset for Post Flood Scene
Understanding [0.9786690381850354]
FloodNetはハリケーン・ハーヴェイの後に撮影された高解像度UAV画像である。
このデータセットは、被災地域の浸水被害を示している。
深層学習アルゴリズムの進歩により、災害の影響を分析し、影響を受ける地域を正確に理解することができる。
論文 参考訳（メタデータ） (2020-12-05T05:15:36Z)
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。