Fugu-MT 論文翻訳(概要): Smart Transfer: Leveraging Vision Foundation Model for Rapid Building Damage Mapping with Post-Earthquake VHR Imagery

論文の概要: Smart Transfer: Leveraging Vision Foundation Model for Rapid Building Damage Mapping with Post-Earthquake VHR Imagery

arxiv url: http://arxiv.org/abs/2604.02627v1
Date: Fri, 03 Apr 2026 01:35:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-06 17:20:24.270082
Title: Smart Transfer: Leveraging Vision Foundation Model for Rapid Building Damage Mapping with Post-Earthquake VHR Imagery
Title（参考訳）: スマートトランスファー:地震後のVHR画像を用いた高速建物被害マッピングのための視覚基礎モデル
Authors: Hao Li, Liwei Zou, Wenping Yin, Gulsen Taskin, Naoto Yokoya, Danfeng Hong, Wufan Zhao,
Abstract要約: 伝統的災害被害調査は、異なる都市形態と新しい災害事象にまたがる一般化に失敗する。本稿では,地震後の超高分解能(VHR)画像を用いた建物損傷の迅速マッピングのための新しいGeoAIフレームワークであるSmart Transferを紹介する。 2023年のトゥルカイ・シリア地震の実験と改善は、複数のクロスリージョン転送環境で有望な性能を示した。
参考スコア（独自算出の注目度）: 26.925877970467663
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Living in a changing climate, human society now faces more frequent and severe natural disasters than ever before. As a consequence, rapid disaster response during the "Golden 72 Hours" of search and rescue becomes a vital humanitarian necessity and community concern. However, traditional disaster damage surveys routinely fail to generalize across distinct urban morphologies and new disaster events. Effective damage mapping typically requires exhaustive and time-consuming manual data annotation. To address this issue, we introduce Smart Transfer, a novel Geospatial Artificial Intelligence (GeoAI) framework, leveraging state-of-the-art vision Foundation Models (FMs) for rapid building damage mapping with post-earthquake Very High Resolution (VHR) imagery. Specifically, we design two novel model transfer strategies: first, Pixel-wise Clustering (PC), ensuring robust prototype-level global feature alignment; second, a Distance-Penalized Triplet (DPT), integrating patch-level spatial autocorrelation patterns by assigning stronger penalties to semantically inconsistent yet spatially adjacent patches. Extensive experiments and ablations from the recent 2023 Turkiye-Syria earthquake show promising performance in multiple cross-region transfer settings, namely Leave One Domain Out (LODO) and Specific Source Domain Combination (SSDC). Moreover, Smart Transfer provides a scalable, automated GeoAI solution to accelerate building damage mapping and support rapid disaster response, offering new opportunities to enhance disaster resilience in climate-vulnerable regions and communities. The data and code are publicly available at https://github.com/ai4city-hkust/SmartTransfer.
Abstract（参考訳）: 変化する気候の中で生活する人間社会は、かつてないほど頻繁で深刻な自然災害に直面している。その結果、「黄金72時間」における急激な災害対応は、人道的必要と地域社会の重要課題となっている。しかし、従来型の災害被害調査は、異なる都市形態と新しい災害事象を概観することができない。効果的なダメージマッピングには、通常、徹底的で時間を要する手動データアノテーションが必要である。この問題に対処するため,我々は新しいGeoSpatial Artificial Intelligence(GeoAI)フレームワークであるSmart Transferを紹介した。具体的には、第1に、Pixel-wise Clustering(PC)、第2に、プロトタイプレベルのグローバルな特徴整合性の確保、第2に、DPT(Distance-Penalized Triplet)、パッチレベルの空間的自己相関パターンの統合。 2023年トルコ・シリア地震の大規模な実験と改善により、複数のクロスリージョン転送設定、すなわちLeave One Domain Out (LODO) と Specific Source Domain Combination (SSDC) において有望な性能が示された。さらに、Smart Transferは、ビルの損傷マッピングを高速化し、迅速な災害対応をサポートするために、スケーラブルで自動化されたGeoAIソリューションを提供する。データとコードはhttps://github.com/ai4city-hkust/SmartTransfer.comで公開されている。

関連論文リスト

Towards Generative Location Awareness for Disaster Response: A Probabilistic Cross-view Geolocalization Approach [9.963221789922388]
災害に対する迅速かつ効率的な対応は、気候の回復力と持続可能性に不可欠である。災害対応の重要な課題は、意思決定と資源配分を支援するために、災害箇所を正確かつ迅速に特定することである。本稿では,ProbGLCと呼ばれる確率的クロスビュージオローカライズ手法を提案する。
論文参考訳（メタデータ） (2025-12-23T05:14:01Z)
A Deep Learning framework for building damage assessment using VHR SAR and geospatial data: demonstration on the 2023 Turkiye Earthquake [1.6070833439280312]
災害直後の被害の特定は緊急対応・復旧の指導に不可欠である。超高分解能(VHR)合成開口レーダ(SAR)画像を用いた建物損傷検出のための新しい多モードディープラーニング(DL)フレームワークを提案する。 SAR画像パッチ、OpenStreetMap(OSM)構築フットプリント、デジタル表面モデル(DSM)データ、グローバル地震モデル(GEM)の構造と露出特性を統合する。その結果,地理空間的特徴を取り入れることで,これまで見られなかった領域に対する検出性能と一般化性が著しく向上することがわかった。
論文参考訳（メタデータ） (2025-06-27T15:49:58Z)
EarthMapper: Visual Autoregressive Models for Controllable Bidirectional Satellite-Map Translation [50.433911327489554]
制御可能な衛星マップ翻訳のための新しいフレームワークであるEarthMapperを紹介する。また,中国38都市を対象とした302,132組の衛星マップからなる大規模データセットであるCNSatMapをコントリビュートした。 CNSatMapとNew Yorkデータセットの実験は、EarthMapperの優れたパフォーマンスを実証している。
論文参考訳（メタデータ） (2025-04-28T02:41:12Z)
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)
Cross-View Geolocalization and Disaster Mapping with Street-View and VHR Satellite Imagery: A Case Study of Hurricane IAN [9.128051274958356]
本研究では,地すべりと損傷知覚推定を同時に行う新しい災害対応フレームワーク,CVDisasterを提案する。 CVDisasterは2つのクロスビューモデルから構成されており、CVDisaster-Geolocはクロスビューなジオローカライゼーションモデルを指す。 CVDisasterは, 微調整を限定して高い競争性能(局地化80%以上, 損傷知覚推定75%以上)を達成できることを示す。
論文参考訳（メタデータ） (2024-08-13T09:37:26Z)
Generalizable Disaster Damage Assessment via Change Detection with Vision Foundation Model [17.016411785224317]
DAVI(Disaster Assessment with Vision foundation model)は,ドメインの格差に対処し,ターゲット領域に接地トラストラベルを必要とせずに建物レベルで構造的損傷を検出する手法である。 DAVIは、ソース領域で訓練されたモデルからのタスク固有の知識と、イメージセグメンテーションモデルからのタスク非依存の知識を組み合わせて、ターゲット領域の潜在的な損傷を示す擬似ラベルを生成する。次に、2段階の精錬プロセスを使用し、ピクセルレベルと画像レベルの両方で動作し、災害被害地域の変化を正確に識別する。
論文参考訳（メタデータ） (2024-06-12T09:21:28Z)
Typhoon Intensity Prediction with Vision Transformer [51.84456610977905]
台風強度を正確に予測するために「台風強度変換器(Tint)」を導入する。 Tintは、層ごとにグローバルな受容野を持つ自己認識機構を使用する。公開されている台風ベンチマークの実験は、Tintの有効性を検証する。
論文参考訳（メタデータ） (2023-11-28T03:11:33Z)
Spatial-Temporal Sequential Hypergraph Network for Crime Prediction [56.41899180029119]
本稿では,複合犯罪の時空間パターンを包括的に符号化する時空間逐次ハイパーグラフネットワーク(ST-SHN)を提案する。特に、長距離及びグローバルなコンテキスト下での時空間力学を扱うために、グラフ構造化されたメッセージパッシングアーキテクチャを設計する。提案するST-SHNフレームワークは予測性能を大幅に向上させることができることを示す。
論文参考訳（メタデータ） (2022-01-07T12:46:50Z)
Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
論文参考訳（メタデータ） (2020-10-16T02:15:34Z)
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。