論文の概要: Improved MambdaBDA Framework for Robust Building Damage Assessment Across Disaster Domains

• arxiv url: http://arxiv.org/abs/2603.01116v1
• Date: Sun, 01 Mar 2026 14:00:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.519398
• Title: Improved MambdaBDA Framework for Robust Building Damage Assessment Across Disaster Domains
• Title（参考訳）: 被災地におけるロバスト建築被害評価のためのMambdaBDAフレームワークの改良
• Authors: Alp Eren Gençoğlu, Hazım Kemal Ekenel,
• Abstract要約: 3つのモジュールコンポーネントで,ChangeMambaアーキテクチャのBDAネットワークであるMambaBDAを改善した。 我々は,xBD,パキスタン洪水,トルコ地震,Ida Hurricaneなど,複数の衛星画像データセットを実験した。 提案されたモジュール拡張により、ベースラインモデルよりも一貫した改善が得られ、ドメイン内でパフォーマンスが0.8%から5%向上し、目に見えない災害で最大27%向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reliable post-disaster building damage assessment (BDA) from satellite imagery is hindered by severe class imbalance, background clutter, and domain shift across disaster types and geographies. In this work, we address these problems and explore ways to improve the MambaBDA, the BDA network of ChangeMamba architecture, one of the most successful BDA models. The approach enhances the MambaBDA with three modular components: (i) Focal Loss to mitigate class imbalance damage classification, (ii) lightweight Attention Gates to suppress irrelevant context, and (iii) a compact Alignment Module to spatially warp pre-event features toward post-event content before decoding. We experiment on multiple satellite imagery datasets, including xBD, Pakistan Flooding, Turkey Earthquake, and Ida Hurricane, and conduct in-domain and crossdataset tests. The proposed modular enhancements yield consistent improvements over the baseline model, with 0.8% to 5% performance gains in-domain, and up to 27% on unseen disasters. This indicates that the proposed enhancements are especially beneficial for the generalization capability of the system.
• Abstract（参考訳）: 衛星画像からの信頼性の高い建築被害評価(BDA)は、深刻な階級不均衡、背景の乱雑、災害タイプや地理の領域シフトによって妨げられる。 本研究では,これらの問題に対処し,最も成功したBDAモデルの一つであるChangeMambaアーキテクチャのBDAネットワークであるMambaBDAを改善する方法について検討する。 このアプローチは、MambaBDAを3つのモジュールコンポーネントで強化する。 一 階級不均衡被害分類を緩和するための雇用損失 (二)無関係な文脈を抑えるための軽量の注意口 三 復号前の後コンテンツに向けて空間的特徴をワープするコンパクトなアライメントモジュール。 我々は、xBD、パキスタン洪水、トルコ地震、Ida Hurricaneを含む複数の衛星画像データセットを実験し、ドメイン内およびクロスデータセットテストを行う。 提案されたモジュール拡張により、ベースラインモデルよりも一貫した改善が得られ、ドメイン内でパフォーマンスが0.8%から5%向上し、目に見えない災害で最大27%向上した。 このことは、提案された拡張がシステムの一般化能力に特に有益であることを示している。

関連論文リスト

• WildGHand: Learning Anti-Perturbation Gaussian Hand Avatars from Monocular In-the-Wild Videos [68.43355277637882]
  本研究では,WildGHandについて紹介する。WildGHandは,自己適応型3Dガウススプラッティングを実現する最適化ベースのフレームワークである。 さらに,多彩な摂動下で撮影された単眼手指ビデオのデータセットを収集し,手指アバター再建のベンチマークを行う。
  論文  参考訳（メタデータ） (2026-02-24T05:14:05Z)
• Satellite to Street : Disaster Impact Estimator [0.12938914787881173]
  本研究は, 衛星画像と衛星画像との協調処理により, 微粒な画素レベルの損傷マップを得るディープラーニングフレームワークを提案する。 このモデルは、局所的な構造的変化とより広い文脈的手がかりの両方をキャプチャするために、拡張された機能融合を備えた修正されたデュアルインプットU-Netアーキテクチャを使用する。
  論文  参考訳（メタデータ） (2025-11-24T06:20:40Z)
• FoBa: A Foreground-Background co-Guided Method and New Benchmark for Remote Sensing Semantic Change Detection [48.06921153684768]
  本稿では,LevirSCDと呼ばれるリモートセマンティックチェンジ検出(SCD)のための新しいベンチマークを提案する。 データセットには16の変更カテゴリと210の特定の変更タイプが含まれており、よりきめ細かいクラス定義がある。 本研究では,フォアグラウンド・バックグラウンド・コグラウンドSCD(FoBa)手法を提案する。 FoBaは、現在のSOTA法と比較して、それぞれ1.48%、3.61%、および2.81%の改善を達成している。
  論文  参考訳（メタデータ） (2025-09-19T09:19:57Z)
• Multi-Label Classification Framework for Hurricane Damage Assessment [1.8434042562191815]
  本稿では,空中画像による損傷評価のための新しいマルチラベル分類フレームワークを提案する。 提案手法では,ResNetに基づく特徴抽出モジュールとクラス固有のアテンション機構を統合し,単一画像内の複数の損傷タイプを識別する。 ハリケーン・マイケルのRescuenetデータセットを用いて、提案手法は90.23%の平均精度を達成し、既存のベースライン法より優れている。
  論文  参考訳（メタデータ） (2025-07-03T03:15:23Z)
• Flood-DamageSense: Multimodal Mamba with Multitask Learning for Building Flood Damage Assessment using SAR Remote Sensing Imagery [1.3566464121222228]
  Flood-DamageSenseは、ビルレベルの洪水被害評価のために構築された最初のディープラーニングフレームワークである。 このアーキテクチャは、SAR/InSARの前と後のシーンを非常に高解像度の光学ベースマップで融合させる。 エンドツーエンドのポストプロセッシングパイプラインは、ピクセルレベルの出力を実行可能なビルディングスケールのダメージマップに変換する。
  論文  参考訳（メタデータ） (2025-06-07T05:19:10Z)
• 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)
• Multi-step feature fusion for natural disaster damage assessment on satellite images [0.0]
  複数のネットワークレベルで機能融合を行う新しい畳み込みニューラルネットワーク(CNN)モジュールを導入する。 イメージペアの分析にCNNモデルを適用するために、追加のネットワーク要素であるFuse Moduleが提案された。 視覚変換器モデルの精度は3ポイント以上向上した。
  論文  参考訳（メタデータ） (2024-10-29T09:47:32Z)
• Improving Vector-Quantized Image Modeling with Latent Consistency-Matching Diffusion [55.185588994883226]
  VQ-LCMDは、学習を安定させる埋め込み空間内の連続空間潜在拡散フレームワークである。 VQ-LCMDは、関節埋め込み拡散変動下界と整合整合性(CM)損失を組み合わせた新しいトレーニング目標を使用する。 実験により,提案したVQ-LCMDは離散状態潜伏拡散モデルと比較して,FFHQ,LSUN教会,LSUNベッドルームにおいて優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-10-18T09:12:33Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• DAHiTrA: Damage Assessment Using a Novel Hierarchical Transformer Architecture [4.162725423624233]
  本稿では,衛星画像に基づいて建物損傷を分類する階層変換器を用いた新しいディープラーニングモデルDAHiTrAを提案する。 衛星画像はリアルタイムで高被覆情報を提供する。 ディープラーニング手法は、建物の損傷を分類する上で有望であることが示されている。
  論文  参考訳（メタデータ） (2022-08-03T16:41:39Z)
• 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。