論文の概要: Building Damage Detection using Satellite Images and Patch-Based Transformer Methods

• arxiv url: http://arxiv.org/abs/2602.08117v1
• Date: Sun, 08 Feb 2026 20:45:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.986746
• Title: Building Damage Detection using Satellite Images and Patch-Based Transformer Methods
• Title（参考訳）: 衛星画像とパッチ型変圧器法による建物被害検出
• Authors: Smriti Siva, Jan Cross-Zamirski,
• Abstract要約: 我々は、xBDデータセット上でビジョントランスフォーマー(ViT)モデルの性能を評価する。 本稿では,構造的特徴を分離し,背景雑音を最小限に抑えるパッチベースの前処理パイプラインを提案する。 そこで本研究では,災害分類のためのCNNベースラインと比較して,新しいトレーニング手法による小さなViTアーキテクチャが,競合するマクロ平均F1を実現することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rapid building damage assessment is critical for post-disaster response. Damage classification models built on satellite imagery provide a scalable means of obtaining situational awareness. However, label noise and severe class imbalance in satellite data create major challenges. The xBD dataset offers a standardized benchmark for building-level damage across diverse geographic regions. In this study, we evaluate Vision Transformer (ViT) model performance on the xBD dataset, specifically investigating how these models distinguish between types of structural damage when training on noisy, imbalanced data. In this study, we specifically evaluate DINOv2-small and DeiT for multi-class damage classification. We propose a targeted patch-based pre-processing pipeline to isolate structural features and minimize background noise in training. We adopt a frozen-head fine-tuning strategy to keep computational requirements manageable. Model performance is evaluated through accuracy, precision, recall, and macro-averaged F1 scores. We show that small ViT architectures with our novel training method achieves competitive macro-averaged F1 relative to prior CNN baselines for disaster classification.
• Abstract（参考訳）: 急激な建物被害評価は災害後の対応に不可欠である。 衛星画像上に構築された損傷分類モデルは、状況認識を得るためのスケーラブルな手段を提供する。 しかし、ラベルノイズと衛星データの厳密なクラス不均衡は大きな課題を生んでいる。 xBDデータセットは、さまざまな地理的領域にわたるビルレベルのダメージに対する標準ベンチマークを提供する。 本研究では、xBDデータセット上でのビジョントランスフォーマー(ViT)モデルの性能を評価し、ノイズや不均衡なデータに対するトレーニングにおいて、これらのモデルがどのように構造的損傷の種類を区別するかを検討する。 本研究では,多層損傷分類におけるDINOv2-smallおよびDeiTの評価を行った。 本稿では,構造的特徴を抽出し,背景雑音を最小化するためのパッチベース前処理パイプラインを提案する。 我々は、計算要求の管理性を維持するために、凍結ヘッドファインチューニング戦略を採用する。 モデル性能は、精度、精度、リコール、マクロ平均F1スコアによって評価される。 そこで本研究では,災害分類のためのCNNベースラインと比較して,新しいトレーニング手法による小さなViTアーキテクチャが,競合するマクロ平均F1を実現することを示す。

関連論文リスト

• 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)
• DeepDamageNet: A two-step deep-learning model for multi-disaster building damage segmentation and classification using satellite imagery [12.869300064524122]
  本稿では, 損傷評価, セグメンテーション, 分類において, ディープラーニングモデルによる2つの重要な課題を遂行するソリューションを提案する。 我々の最良のモデルは、建物識別セマンティックセグメンテーション畳み込みニューラルネットワーク(CNN)と建物損傷分類CNNを組み合わせ、合計F1スコアは0.66である。 本モデルでは比較的精度の高い建物を同定することができたが,災害タイプによる被害の分類は困難であることが判明した。
  論文  参考訳（メタデータ） (2024-05-08T04:21:03Z)
• Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• 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)
• Interpretability in Convolutional Neural Networks for Building Damage Classification in Satellite Imagery [0.0]
  我々は、プレサスタ衛星画像とポストサスタ衛星画像とをラベル付けしたデータセットを使用して、建物ごとの損傷を評価する。 複数の畳み込みニューラルネットワーク(CNN)をトレーニングし、建物ごとの損傷を評価する。 我々の研究は、人為的気候変動による人道的危機の進行に、計算的に貢献することを目指している。
  論文  参考訳（メタデータ） (2022-01-24T16:55:56Z)
• 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)
• 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。