論文の概要: HOMEY: Heuristic Object Masking with Enhanced YOLO for Property Insurance Risk Detection

• arxiv url: http://arxiv.org/abs/2603.18502v1
• Date: Thu, 19 Mar 2026 05:15:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.967933
• Title: HOMEY: Heuristic Object Masking with Enhanced YOLO for Property Insurance Risk Detection
• Title（参考訳）: 資産保険リスク検出のためのYOLO強化によるヒューリスティックなオブジェクトマスキング
• Authors: Teerapong Panboonyuen,
• Abstract要約: HomeYは、YOLOとドメイン固有のマスキング機構とカスタム設計のロス関数を組み合わせた、新しい検出フレームワークである。 HomeYは、構造的損傷、メンテナンスの無視、責任の危険を含む17のリスク関連資産クラスを検出するように訓練されている。 HomeYは、高速な推論を維持しながら、ベースラインのYOLOモデルよりも優れた検出精度と信頼性を実現する。
• 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: Automated property risk detection is a high-impact yet underexplored frontier in computer vision with direct implications for real estate, underwriting, and insurance operations. We introduce HOMEY (Heuristic Object Masking with Enhanced YOLO), a novel detection framework that combines YOLO with a domain-specific masking mechanism and a custom-designed loss function. HOMEY is trained to detect 17 risk-related property classes, including structural damages (e.g., cracked foundations, roof issues), maintenance neglect (e.g., dead yards, overgrown bushes), and liability hazards (e.g., falling gutters, garbage, hazard signs). Our approach introduces heuristic object masking to amplify weak signals in cluttered backgrounds and risk-aware loss calibration to balance class skew and severity weighting. Experiments on real-world property imagery demonstrate that HOMEY achieves superior detection accuracy and reliability compared to baseline YOLO models, while retaining fast inference. Beyond detection, HOMEY enables interpretable and cost-efficient risk analysis, laying the foundation for scalable AI-driven property insurance workflows.
• Abstract（参考訳）: 自動資産リスク検出は、不動産、引受、保険業務に直接的な意味を持つコンピュータビジョンにおいて、ハイインパクトだが過小評価されているフロンティアである。 HOMEY(Heuristic Object Masking with Enhanced YOLO)は、YOLOとドメイン固有のマスキング機構とカスタム設計の損失関数を組み合わせた新しい検出フレームワークである。 HOMEYは、構造的損傷(例えば、割れた土台、屋根の問題)、メンテナンスの無視(例えば、枯渇した庭、肥大した茂み)、責任の危険(例えば、落下した溝、ゴミ、危険標識)を含む17のリスク関連資産クラスを検出するように訓練されている。 提案手法では,乱雑な背景の弱い信号を増幅するためにヒューリスティックな物体マスキングを導入し,クラススキューと重み付けのバランスを取るためにリスク認識損失校正を行った。 実世界の特性画像実験により,HOMEYは高速な推論を保ちながら,ベースラインのYOLOモデルよりも検出精度と信頼性が優れていることが示された。 検出以外にも、HOMEYは解釈可能でコスト効率の高いリスク分析を可能にし、スケーラブルなAI駆動の不動産保険ワークフローの基礎を築いた。

関連論文リスト

• HomeGuard: VLM-based Embodied Safeguard for Identifying Contextual Risk in Household Task [42.665798473119516]
  CG-CoT(Context-Guided Chain-of-Thought)を特徴とするアーキテクチャ非依存型セーフガードを提案する。 CG-CoTは、リスクアセスメントをアクティブな知覚に分解し、相互作用対象や関連する空間近傍への注意を順次固定する。 実験により、我々のモデルであるHomeGuardは安全性を大幅に向上し、ベースモデルと比較してリスクマッチ率を30%以上改善することが示された。
  論文  参考訳（メタデータ） (2026-03-15T13:09:43Z)
• HomeSafe-Bench: Evaluating Vision-Language Models on Unsafe Action Detection for Embodied Agents in Household Scenarios [10.375753259643]
  ホームセーフベンチ(HomeSafe-Bench)は、視覚言語モデル(VLM)を評価するために設計されたベンチマークである。 リアルタイムの安全監視のための階層型ストリーミングアーキテクチャであるHuerarchical Dual-Brain Guard for Household Safety (HD-Guard)を提案する。
  論文  参考訳（メタデータ） (2026-03-12T14:25:44Z)
• Leveraging the Power of Ensemble Learning for Secure Low Altitude Economy [64.39232788946173]
  低高度経済(LAE)は社会福祉の強化と経済成長の推進に大きく貢献している。 本稿では,セキュアなLAEのためのアンサンブル学習,研究の焦点,解決策,ケーススタディについて検討する。
  論文  参考訳（メタデータ） (2026-02-07T23:15:58Z)
• ARTIS: Agentic Risk-Aware Test-Time Scaling via Iterative Simulation [72.78362530982109]
  ARTIS(Agenic Risk-Aware Test-Time Scaling via Iterative Simulation)は、コミットメントから探索を分離するフレームワークである。 LLMをベースとした簡易シミュレータは, 希少かつ高インパクトな障害モードの捕捉に苦慮していることを示す。 本稿では,障害発生行動の忠実度を強調するリスク認識ツールシミュレータを提案する。
  論文  参考訳（メタデータ） (2026-02-02T06:33:22Z)
• A Comparative Evaluation of Large Vision-Language Models for 2D Object Detection under SOTIF Conditions [2.7694879331630182]
  本稿では、安全クリティカルな2次元物体検出のためのLVLM(Large Vision-Language Models)を体系的に評価する。 PeSOTIFデータセットは、ロングテール交通シナリオと環境劣化のベンチマークである。 LVLMは複雑な自然シナリオの25%以上をリコールしてYOLOベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-01-30T10:58:24Z)
• The Shadow Self: Intrinsic Value Misalignment in Large Language Model Agents [37.75212140218036]
  コントロの損失リスクを定式化し、これまで過小評価されていた内因性価値の相違(内因性VM)を識別する。 次に、このリスクを体系的に評価するシナリオ駆動フレームワークであるIMPRESSを紹介します。 我々は,21種類のLLMエージェント上での固有のVMの評価を行い,モデル間での安全性のリスクが広く見られることを発見した。
  論文  参考訳（メタデータ） (2026-01-24T07:09:50Z)
• Explainable and Fine-Grained Safeguarding of LLM Multi-Agent Systems via Bi-Level Graph Anomaly Detection [76.91230292971115]
  大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は複雑なタスクを解く上で強力な能力を示している。 XG-Guardは、MAS内の悪意のあるエージェントを検出するための、説明可能な、きめ細かい保護フレームワークである。
  論文  参考訳（メタデータ） (2025-12-21T13:46:36Z)
• From Narrow Unlearning to Emergent Misalignment: Causes, Consequences, and Containment in LLMs [51.800006486987435]
  特定領域での未学習を狭くすることで,創発的不適応が生じる可能性が示唆された。 我々の研究は、狭義のドメインアンラーニングが対象のコンセプトに対するコンプライアンス応答をもたらすことを示しているが、EMAを無関係のドメインに広めることもできる。
  論文  参考訳（メタデータ） (2025-11-18T00:53:23Z)
• EARBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents [53.717918131568936]
  EAI(Embodied AI)は、高度なAIモデルを現実世界のインタラクションのための物理的なエンティティに統合する。 高レベルのタスク計画のためのEAIエージェントの"脳"としてのファンデーションモデルは、有望な結果を示している。 しかし、これらのエージェントの物理的環境への展開は、重大な安全性上の課題を呈している。 本研究では,EAIシナリオにおける身体的リスクの自動評価のための新しいフレームワークEARBenchを紹介する。
  論文  参考訳（メタデータ） (2024-08-08T13:19:37Z)
• 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)

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。