論文の概要: From Pixels to Semantics: A Multi-Stage AI Framework for Structural Damage Detection in Satellite Imagery

• arxiv url: http://arxiv.org/abs/2603.22768v1
• Date: Tue, 24 Mar 2026 03:50:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.29164
• Title: From Pixels to Semantics: A Multi-Stage AI Framework for Structural Damage Detection in Satellite Imagery
• Title（参考訳）: 画像からセマンティックスへ:衛星画像の構造損傷検出のための多段階AIフレームワーク
• Authors: Bijay Shakya, Catherine Hoier, Khandaker Mamun Ahmed,
• Abstract要約: 本稿では,AIに基づく超解像,深層学習オブジェクト検出,視覚言語モデル(VLM)を統合し,建築被害の包括的評価を行う新しいフレームワークを提案する。 まず, 映像再生変換器(VRT)を用いて, 1024x1024 から 4096x4096 への高解像度化を行う。 参照不要なセマンティックアライメントのためにCLIPScoreを使用し、安全クリティカルな意思決定における個人のモデルバイアスを低減するためのマルチモデルVLM-as-a-Jury戦略を導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid and accurate structural damage assessment following natural disasters is critical for effective emergency response and recovery. However, remote sensing imagery often suffers from low spatial resolution, contextual ambiguity, and limited semantic interpretability, reducing the reliability of traditional detection pipelines. In this work, we propose a novel hybrid framework that integrates AI-based super-resolution, deep learning object detection, and Vision-Language Models (VLMs) for comprehensive post-disaster building damage assessment. First, we enhance pre- and post-disaster satellite imagery using a Video Restoration Transformer (VRT) to upscale images from 1024x1024 to 4096x4096 resolution, improving structural detail visibility. Next, a YOLOv11-based detector localizes buildings in pre-disaster imagery, and cropped building regions are analyzed using VLMs to semantically assess structural damage across four severity levels. To ensure robust evaluation in the absence of ground-truth captions, we employ CLIPScore for reference-free semantic alignment and introduce a multi-model VLM-as-a-Jury strategy to reduce individual model bias in safety-critical decision making. Experiments on subsets of the xBD dataset, including the Moore Tornado and Hurricane Matthew events, demonstrate that the proposed framework enhances the semantic interpretation of damaged buildings. In addition, our framework provides helpful recommendations to first responders for recovery based on damage analysis.
• Abstract（参考訳）: 自然災害後の迅速かつ正確な構造的被害評価は、効果的な緊急対応と回復に不可欠である。 しかし、リモートセンシング画像は、しばしば空間分解能の低下、文脈の曖昧さ、意味解釈可能性の制限に悩まされ、従来の検出パイプラインの信頼性が低下する。 本研究では,AIに基づく超解像,深層学習オブジェクト検出,視覚言語モデル(VLM)を統合した新しいハイブリッドフレームワークを提案する。 まず,ビデオ再生変換器(VRT)を用いて,前・後衛星画像を強化し,1024x1024から4096x4096の解像度の高解像度化を実現し,構造的詳細視認性を向上させる。 次に, YOLOv11をベースとした検出器を用いて, プレディザスター画像中の建物を局所化し, 収穫した建物領域をVLMを用いて解析し, 4つの重度レベルの構造的損傷を意味的に評価する。 基準のないセマンティックアライメントにはCLIPScoreを用い,安全クリティカル意思決定におけるモデルバイアスを低減するためのマルチモデルVLM-as-a-Jury戦略を導入する。 ムーア・トルネード(英語版)やハリケーン・マシュー(英語版)などのxBDデータセットのサブセットの実験は、このフレームワークが損傷した建物の意味論的解釈を強化することを実証している。 さらに,本フレームワークは,損傷解析に基づく回復のために,最初の応答者に対して有用なレコメンデーションを提供する。

関連論文リスト

• 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)
• Structural Damage Detection Using AI Super Resolution and Visual Language Model [0.0]
  本研究では,空飛ぶドローン映像,高度なAIベースビデオ超解像モデル,ビデオ再生変換器(VRT),および27億パラメータビジュアル言語モデル(VLM)であるGemma3:27bを活用する,費用対効果の高い新しいフレームワークを提案する。 この統合システムは、低解像度の災害映像を改善し、構造的損傷を特定し、建物を4つの損傷カテゴリーに分類するように設計されている。 このフレームワークは84.5%の精度を達成し、非常に正確な結果を提供する能力を示した。
  論文  参考訳（メタデータ） (2025-08-23T20:12:06Z)
• 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)
• Robust Disaster Assessment from Aerial Imagery Using Text-to-Image Synthetic Data [66.49494950674402]
  航空画像からの損傷評価のタスクのための大規模合成監視を作成する際に,新たなテキスト・画像生成モデルを活用する。 低リソース領域から何千ものポストディスアスター画像を生成するために、効率的でスケーラブルなパイプラインを構築しています。 我々は,xBDおよびSKAI画像のクロスジオグラフィー領域転送設定におけるフレームワークの強度を,単一ソースとマルチソースの両方で検証する。
  論文  参考訳（メタデータ） (2024-05-22T16:07:05Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
  劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。 本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-05T09:36:13Z)
• RestoreDet: Degradation Equivariant Representation for Object Detection in Low Resolution Images [81.91416537019835]
  劣化した低解像度画像中のオブジェクトを検出するための新しいフレームワークであるRestoreDetを提案する。 CenterNetをベースとした本フレームワークは, 既存手法と比較して, 異種劣化状況に直面する場合に比べ, 優れた性能を達成している。
  論文  参考訳（メタデータ） (2022-01-07T03:40:23Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• 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。