論文の概要: A Mamba-Based Multimodal Network for Multiscale Blast-Induced Rapid Structural Damage Assessment

• arxiv url: http://arxiv.org/abs/2604.11709v1
• Date: Mon, 13 Apr 2026 16:43:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.693627
• Title: A Mamba-Based Multimodal Network for Multiscale Blast-Induced Rapid Structural Damage Assessment
• Title（参考訳）: マンバを基盤としたマルチモーダルネットワークによるマルチスケールブラストによる急激な構造損傷評価
• Authors: Wanli Ma, Sivasakthy Selvakumaran, Dain G. Farrimond, Adam A. Dennis, Samuel E. Rigby,
• Abstract要約: リモートセンシングによる機械学習は、迅速な構造的損傷評価のためのスケーラブルなソリューションとして登場した。 我々は,マルチスケールのブラストローディング情報と光リモートセンシング画像を統合する,高速SDAのためのMambaベースのマルチモーダルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 1.2828331614812736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and rapid structural damage assessment (SDA) is crucial for post-disaster management, helping responders prioritise resources, plan rescues, and support recovery. Traditional field inspections, though precise, are limited by accessibility, safety risks, and time constraints, especially after large explosions. Machine learning with remote sensing has emerged as a scalable solution for rapid SDA, with Mamba-based networks achieving state-of-the-art performance. However, these methods often require extensive training and large datasets, limiting real-world applicability. Moreover, they fail to incorporate key physical characteristics of blast loading for SDA. To overcome these challenges, we propose a Mamba-based multimodal network for rapid SDA that integrates multi-scale blast-loading information with optical remote sensing images. Evaluated on the 2020 Beirut explosion, our method significantly improves performance over state-of-the-art approaches. Code is available at: https://github.com/IMPACTSquad/Blast-Mamba
• Abstract（参考訳）: 精密かつ迅速な構造的損傷評価(SDA)は、災害後の管理に不可欠であり、対応者が資源を優先し、救助計画を立て、回復を支援する。 従来の現場検査は正確ではあるが、特に大規模な爆発の後、アクセシビリティ、安全リスク、時間制限によって制限されている。 リモートセンシングによる機械学習は、Mambaベースのネットワークが最先端のパフォーマンスを達成することで、迅速なSDAのためのスケーラブルなソリューションとして登場した。 しかし、これらの手法は大規模なトレーニングと大規模なデータセットを必要とすることが多く、現実の応用性が制限される。 さらに,SDAにおけるブラストローディングの重要な物理特性を組み込むことができなかった。 これらの課題を克服するために,マルチスケールのブラストローディング情報と光リモートセンシング画像を統合する,高速SDAのためのMambaベースのマルチモーダルネットワークを提案する。 2020年のベイルート爆発で評価され、我々の手法は最先端のアプローチよりも性能を著しく向上させる。 コードは、https://github.com/IMPACTSquad/Blast-Mambaで入手できる。

関連論文リスト

• Brain-Inspired Multimodal Spiking Neural Network for Image-Text Retrieval [79.04396446873932]
  スパイキングニューラルネットワーク(SNN)は、最近、視覚的タスクとテキストタスクに強い可能性を示している。 画像テキスト検索(ITR)のようなマルチモーダルアプリケーションのための直接訓練され、低エネルギーで高性能なSNNを構築することは、依然として非常に困難である。 我々は脳にインスパイアされたクロスモーダルスパイク・フュージョン・ネットワーク(CMSF)を提案し、初めてITRに適用した。
  論文  参考訳（メタデータ） (2026-03-25T08:41:07Z)
• Samba+: General and Accurate Salient Object Detection via A More Unified Mamba-based Framework [66.2103745798444]
  Saliency Mamba (Samba) は、純粋なMambaベースのアーキテクチャで、様々な異なるサルトオブジェクト検出タスクを柔軟に処理する。 Sambaは、計算コストの低い22データセット上の6つのSODタスクで、既存のメソッドを個別に上回ります。 Samba+は、トレーニング済みの汎用モデルを使用することで、これらのタスクとデータセット上でさらに優れた結果を得る。
  論文  参考訳（メタデータ） (2026-02-02T03:34:25Z)
• A Lightweight Group Multiscale Bidirectional Interactive Network for Real-Time Steel Surface Defect Detection [15.140649886958945]
  Group Multiscale Bidirectional Interactive (GMBI)モジュールは、マルチスケールの特徴抽出と相互作用を強化する。 SD-Saliency-900とNRSD-MNデータセットの実験は、GMBINetがGPUで1048 FPS、CPUで512解像度で16.53 FPSのリアルタイム速度で競合精度を提供することを示した。
  論文  参考訳（メタデータ） (2025-08-22T13:58:35Z)
• Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
  我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。 より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。 我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
  論文  参考訳（メタデータ） (2024-05-08T11:09:24Z)
• Rapid post-disaster infrastructure damage characterisation enabled by remote sensing and deep learning technologies -- a tiered approach [0.4837072536850576]
  交通網や橋梁は戦争中は体系的に標的にされ、自然災害時には被害を受ける。 複数スケールで損傷を自動評価する手法は存在しない。 この能力ギャップを埋める統合的,マルチスケールな階層化手法を提案する。
  論文  参考訳（メタデータ） (2024-01-31T11:36:12Z)
• Deep Learning and Image Super-Resolution-Guided Beam and Power Allocation for mmWave Networks [80.37827344656048]
  我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。 教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
  論文  参考訳（メタデータ） (2023-05-08T05:40:54Z)
• Effective Multi-User Delay-Constrained Scheduling with Deep Recurrent Reinforcement Learning [28.35473469490186]
  マルチユーザ遅延制約スケジューリングは、無線通信、ライブストリーミング、クラウドコンピューティングを含む多くの現実世界アプリケーションにおいて重要である。 Recurrent Softmax Delayed Deep Double Deterministic Policy Gradient (mathttRSD4$) という深部強化学習アルゴリズムを提案する。 $mathttRSD4$は、それぞれLagrangianのデュアルと遅延に敏感なキューによるリソースと遅延の制約を保証する。 また、リカレントニューラルネットワーク(RNN)によって実現されたメモリ機構により、部分的可観測性にも効率よく取り組み、ユーザレベルの分解とノードレベルを導入している。
  論文  参考訳（メタデータ） (2022-08-30T08:44:15Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• GaLeNet: Multimodal Learning for Disaster Prediction, Management and Relief [2.007385102792989]
  本稿では,災害前画像と気象データとハリケーンの軌跡を補完することにより,被害の深刻度を評価するためのマルチモーダル・フレームワーク(GaLeNet)を提案する。 本稿では,GaLeNetがディスラスタ画像の欠如により,事前ディスラスタ画像の活用が可能であることを示し,意思決定の大幅な遅延を防止できることを示す。
  論文  参考訳（メタデータ） (2022-06-18T16:45:57Z)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• EmergencyNet: Efficient Aerial Image Classification for Drone-Based Emergency Monitoring Using Atrous Convolutional Feature Fusion [8.634988828030245]
  本稿では,緊急対応・監視用uavの航空機画像の効率的な分類について述べる。 緊急対応アプリケーションのための専用空中画像データベースを導入し、既存のアプローチの比較分析を行う。 マルチレゾリューション機能を処理するために,アトラス畳み込みに基づく軽量畳み込みニューラルネットワークアーキテクチャが提案されている。
  論文  参考訳（メタデータ） (2021-04-28T20:24:10Z)

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。