論文の概要: TornadoNet: Real-Time Building Damage Detection with Ordinal Supervision

• arxiv url: http://arxiv.org/abs/2603.11557v1
• Date: Thu, 12 Mar 2026 05:22:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.90814
• Title: TornadoNet: Real-Time Building Damage Detection with Ordinal Supervision
• Title（参考訳）: TornadoNet:常設スーパービジョンによるリアルタイム建物被害検出
• Authors: Robinson Umeike, Cuong Pham, Ryan Hausen, Thang Dao, Shane Crawford, Tanya Brown-Giammanco, Gerard Lemson, John van de Lindt, Blythe Johnston, Arik Mitschang, Trung Do,
• Abstract要約: TornadoNetは、道路レベルの建物の自動損傷評価のベンチマークである。 現実的な災害後の状況下で、現代のリアルタイムオブジェクト検出アーキテクチャと常用監視戦略がどのように機能するかを評価する。
• 参考スコア（独自算出の注目度）: 1.5908682346602052
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present TornadoNet, a comprehensive benchmark for automated street-level building damage assessment evaluating how modern real-time object detection architectures and ordinal-aware supervision strategies perform under realistic post-disaster conditions. TornadoNet provides the first controlled benchmark demonstrating how architectural design and loss formulation jointly influence multi-level damage detection from street-view imagery, delivering methodological insights and deployable tools for disaster response. Using 3,333 high-resolution geotagged images and 8,890 annotated building instances from the 2021 Midwest tornado outbreak, we systematically compare CNN-based detectors from the YOLO family against transformer-based models (RT-DETR) for multi-level damage detection. Models are trained under standardized protocols using a five-level damage classification framework based on IN-CORE damage states, validated through expert cross-annotation. Baseline experiments reveal complementary architectural strengths. CNN-based YOLO models achieve highest detection accuracy and throughput, with larger variants reaching 46.05% mAP@0.5 at 66-276 FPS on A100 GPUs. Transformer-based RT-DETR models exhibit stronger ordinal consistency, achieving 88.13% Ordinal Top-1 Accuracy and MAOE of 0.65, indicating more reliable severity grading despite lower baseline mAP. To align supervision with the ordered nature of damage severity, we introduce soft ordinal classification targets and evaluate explicit ordinal-distance penalties. RT-DETR trained with calibrated ordinal supervision achieves 44.70% mAP@0.5, a 4.8 percentage-point improvement, with gains in ordinal metrics (91.15% Ordinal Top-1 Accuracy, MAOE = 0.56). These findings establish that ordinal-aware supervision improves damage severity estimation when aligned with detector architecture. Model & Data: https://github.com/crumeike/TornadoNet
• Abstract（参考訳）: 本稿では, 現実的な災害後の状況下で, 近代的なリアルタイムオブジェクト検出アーキテクチャと日常的な監視戦略がどのように機能するかを評価する, 街路レベルの建物被害自動評価のための総合的なベンチマークTornadoNetを提案する。 TornadoNetは、アーキテクチャ設計と損失の定式化がストリートビューの画像から複数レベルの損傷の検出、方法論的な洞察の提供、災害対応のためのデプロイ可能なツールにどのように影響するかを示す最初の制御されたベンチマークを提供する。 2021年中西部竜巻発生時の3,333個の高解像度ジオタグ画像と8,890個のアノテートされた建物インスタンスを用いて, YOLOファミリーのCNNベースの検出器をマルチレベル損傷検出のための変圧器ベースモデル(RT-DETR)と比較した。 モデルは、専門家のクロスアノテーションによって検証された、IN-CORE損傷状態に基づく5段階の損傷分類フレームワークを用いて、標準化されたプロトコルの下で訓練される。 基礎的な実験は、補完的なアーキテクチャの強みを明らかにします。 CNNベースのYOLOモデルは、A100 GPU上で66-276 FPSで46.05%のmAP@0.5に達した。 トランスフォーマーベースのRT-DETRモデルはより強い順序整合を示し、88.13%の正規Top-1精度と0.65のMAOEを達成した。 本研究は,損傷重大性の順序性に合わせるために,ソフトな順序分類ターゲットを導入し,明示的な順序-距離の罰則を評価する。 RT-DETRは、調整された順序の監督で訓練され、44.70%のmAP@0.5を達成し、4.8パーセントの改善が達成され、順序の指標(91.15%の順序のTop-1精度、MAOE = 0.56)が向上した。 これらの結果から, 経時的監視は, 検出器構造に整合した際の損傷重大度推定を改善することが確認された。 Model & Data: https://github.com/crumeike/TornadoNet

関連論文リスト

• Architectural Insights for Post-Tornado Damage Recognition [19.125581092819857]
  竜巻発生直後の建物被害評価は,救命・救助活動の調整に重要である。 現在の自動化手法は、竜巻によって引き起こされる破片の独特の視覚的複雑さに苦慮している。 79のオープンソースディープラーニングモデルを評価するための,体系的な実験フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-16T07:16:33Z)
• R2RAG-Flood: A reasoning-reinforced training-free retrieval augmentation generation framework for flood damage nowcasting [4.4258361032514015]
  R2RAG-Flood は、暴風雨後の被害に対処するためのトレーニング不要な検索拡張生成フレームワークである。 R2RAG-Floodは、関連する推論軌跡を検索し条件付けするコンテキスト拡張プロンプトを発行する。 予測は2段階の手順に従い、まず最初に損傷発生を判定し、3段階の損傷極度分類内で深刻度を補正する。
  論文  参考訳（メタデータ） (2026-02-10T21:31:33Z)
• Variational Autoencoders for P-wave Detection on Strong Motion Earthquake Spectrograms [0.0]
  本研究では,P波到着検出を自己教師付き異常検出タスクとして再編成する。 アーキテクチャの変動は、再構成の忠実さと異常な差別の間のトレードオフを規制していることを示す。 注意に基づく変分オートコーダは、0から40km近距離で0.91の曲率のエリアアンダー・ザ・カーブを達成する。
  論文  参考訳（メタデータ） (2026-01-09T12:28:02Z)
• Data-driven Detection and Evaluation of Damages in Concrete Structures: Using Deep Learning and Computer Vision [0.0]
  本研究では、ディープラーニングによる損傷の自動検出と解析のための高度なデータ駆動手法について検討する。 最新のインスタンスセグメンテーションモデルであるYOLO-v7インスタンスセグメンテーションとMask R-CNNを評価した。 YOLO-v7は96.1%のmAP@0.5を達成し、40 FPSを処理し、Mask R-CNNを上回り、mAP@0.5を92.1%、処理速度を18 FPSとした。
  論文  参考訳（メタデータ） (2025-01-21T02:44:05Z)
• Rank-DETR for High Quality Object Detection [52.82810762221516]
  高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。 本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
  論文  参考訳（メタデータ） (2023-10-13T04:48:32Z)
• A Computer Vision Enabled damage detection model with improved YOLOv5 based on Transformer Prediction Head [0.0]
  現在の最先端ディープラーニング(DL)に基づく損傷検出モデルは、複雑でノイズの多い環境では優れた特徴抽出能力を欠いていることが多い。 DenseSPH-YOLOv5は、DenseNetブロックをバックボーンに統合したリアルタイムDLベースの高性能損傷検出モデルである。 DenseSPH-YOLOv5は平均平均精度(mAP)が85.25%、F1スコアが81.18%、精度(P)が89.51%である。
  論文  参考訳（メタデータ） (2023-03-07T22:53:36Z)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)
• 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。