論文の概要: Robust Building Damage Detection in Cross-Disaster Settings Using Domain Adaptation

• arxiv url: http://arxiv.org/abs/2603.14694v1
• Date: Mon, 16 Mar 2026 01:03:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.971353
• Title: Robust Building Damage Detection in Cross-Disaster Settings Using Domain Adaptation
• Title（参考訳）: 領域適応を用いたクロスファスタ環境におけるロバストな建物被害検出
• Authors: Asmae Mouradi, Shruti Kshirsagar,
• Abstract要約: マルチディザスターベンチマークでトレーニングされたモデルは、ドメインシフトのため、目に見えない地理的領域で性能が劣ることが多い。 教師付きドメイン適応を用いた2段階アンサンブル手法を探索し、4つの重度クラスにまたがる損傷分類を行う。 我々のパイプラインは、非シャープ付RGB入力によるSDAが最も堅牢な性能を実現し、マクロF1が0.5552となる。
• 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: Rapid structural damage assessment from remote sensing imagery is essential for timely disaster response. Within human-machine systems (HMS) for disaster management, automated damage detection provides decision-makers with actionable situational awareness. However, models trained on multi-disaster benchmarks often underperform in unseen geographic regions due to domain shift - a distributional mismatch between training and deployment data that undermines human trust in automated assessments. We explore a two-stage ensemble approach using supervised domain adaptation (SDA) for building damage classification across four severity classes. The pipeline adapts the xView2 first-place method to the Ida-BD dataset using SDA and systematically investigates the effect of individual augmentation components on classification performance. Comprehensive ablation experiments on the unseen Ida-BD test split demonstrate that SDA is indispensable: removing it causes damage detection to fail entirely. Our pipeline achieves the most robust performance using SDA with unsharp-enhanced RGB input, attaining a Macro-F1 of 0.5552. These results underscore the critical role of domain adaptation in building trustworthy automated damage assessment modules for HMS-integrated disaster response.
• Abstract（参考訳）: リモートセンシング画像からの迅速な構造的損傷評価は、災害時応答に不可欠である。 災害管理のためのヒューマン・マシン・システム(HMS)内では、自動損傷検出が意思決定者に実用的な状況認識を提供する。 しかしながら、マルチディザスタベンチマークでトレーニングされたモデルは、ドメインシフト(トレーニングとデプロイメントデータの分散ミスマッチによる自動評価における人間の信頼を損なう)によって、目に見えない地理的領域でパフォーマンスが低下することが多い。 教師付きドメイン適応(SDA)を用いた2段階のアンサンブル手法を探索し、4つの重度クラスにまたがる損傷分類を構築する。 パイプラインは、SDAを用いたIda-BDデータセットにxView2の1位法を適用し、個々の拡張コンポーネントが分類性能に与える影響を体系的に調査する。 未確認Ida-BD試験の包括的アブレーション実験は、SDAが必須であることを示した。 我々のパイプラインは、非シャープ付RGB入力のSDAを用いて、最も堅牢な性能を実現し、マクロF1が0.5552となる。 これらの結果は,HMS統合災害対応のための信頼性の高い自動損傷評価モジュールの構築におけるドメイン適応の重要性を裏付けるものである。

関連論文リスト

• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• Structural damage detection via hierarchical damage information with volumetric assessment [1.4470320778878742]
  構造的健康モニタリング(SHM)は、インフラの安全性と寿命を確保するために不可欠である。 本稿では,これらの課題に対処するためのフレームワークであるGuided-DetNetについて紹介する。 Guided-DetNetの特徴は、GAM(Generative Attention Module)、階層的除去アルゴリズム(Hierarchical Elimination Algorithm)、VCVA(Volumetric Contour Visual Assessment)である。
  論文  参考訳（メタデータ） (2024-07-29T04:33:04Z)
• Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
  リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。 既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。 本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T17:52:45Z)
• One-class Damage Detector Using Deeper Fully-Convolutional Data Descriptions for Civil Application [0.0]
  モデルパラメータを最適化するために、通常の画像を使用することができる点において、一級損傷検出アプローチには利点がある。 本稿では,FCDDをベースラインモデルとして再現した一級損傷検出の汎用アプリケーションを提案する。
  論文  参考訳（メタデータ） (2023-03-03T06:27:15Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Superpixel-Based Building Damage Detection from Post-earthquake Imagery Using Deep Neural Networks [6.527607790666018]
  地震後の被害検知は, 効果的な緊急対応行動の開始に不可欠である。 本稿では,Deep Neural Networks (DNN) と修正セグメンテーション手法を組み合わせた,新しいスーパーピクセルベースのアプローチを提案する。 2015年ネパール地震のWorldView-2画像による実験結果から,本手法の有効性と有効性が確認された。
  論文  参考訳（メタデータ） (2021-12-09T08:05:02Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)
• 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)
• Multi-Objective Variational Autoencoder: an Application for Smart Infrastructure Maintenance [1.2311105789643062]
  マルチウェイセンシングデータにおけるスマートインフラストラクチャ損傷検出と診断のための多目的変分オートエンコーダ(MVA)手法を提案する。 そこで本手法では,複数のセンサから情報的特徴を抽出し,損傷同定に活用する。
  論文  参考訳（メタデータ） (2020-03-11T01:30:08Z)

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。