論文の概要: Survey on Disaster Management Datasets for Remote Sensing Based Emergency Applications

• arxiv url: http://arxiv.org/abs/2605.08196v1
• Date: Tue, 05 May 2026 19:05:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.451735
• Title: Survey on Disaster Management Datasets for Remote Sensing Based Emergency Applications
• Title（参考訳）: リモートセンシング型緊急用災害管理データセットに関する調査研究
• Authors: Alain P. Ndigande, Josiah Wiggins, Sedat Ozer,
• Abstract要約: 機械学習(ML)とディープラーニング(DL)技術は、災害管理の重要なフェーズを強化する上で、かなり有望である。 リモートセンシングにおけるMLやDLベースのアプリケーションの成功の重要な実現要因は、アノテーション付きデータセットのアクセシビリティと品質である。 このサーベイは、ML/DLベースの災害管理パイプラインに関連する、公開された画像ベースのデータセットの概要を提供する。
• 参考スコア（独自算出の注目度）: 0.41998444721319217
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent natural disasters have highlighted the urgent need for efficient data-driven approaches to disaster management. Machine learning (ML) and deep learning (DL) techniques have shown considerable promise in enhancing the key phases of disaster management including mitigation, preparedness, detection, response, and recovery. A critical enabler of successful ML or DL based applications in remote sensing, however, is the accessibility and quality of annotated datasets. With the growing availability of high-resolution imagery from unmanned aerial vehicles (UAVs) and satellites, computer vision and remote sensing algorithms have become essential tools for rapid detection, situational assessment, and decision-making in disaster scenarios. This survey provides a comprehensive overview of publicly available image-based datasets relevant to ML/DL-based disaster management pipelines. Emphasis is placed on datasets that support computer vision and remote sensing tasks across all phases of disaster events including pre-disaster, during, and post-disaster. The goal of this work is to serve as a centralized reference for researchers and practitioners seeking high-quality datasets for rapid development and deployment of remote sensing-driven disaster response solutions.
• Abstract（参考訳）: 近年の自然災害は, 災害管理への効率的なデータ駆動型アプローチの必要性を浮き彫りにした。 機械学習(ML)とディープラーニング(DL)技術は、緩和、準備、検出、応答、回復など、災害管理の重要なフェーズを強化する上で大きな可能性を示している。 しかし、リモートセンシングにおけるMLやDLベースのアプリケーションの成功の重要な実現要因は、アノテーション付きデータセットのアクセシビリティと品質である。 無人航空機(UAV)や衛星からの高解像度画像の入手の増加に伴い、コンピュータビジョンとリモートセンシングアルゴリズムは、災害シナリオにおける迅速な検出、状況評価、意思決定に欠かせないツールとなっている。 このサーベイは、ML/DLベースの災害管理パイプラインに関連する、公開された画像ベースのデータセットの概要を提供する。 コンピュータビジョンとリモートセンシングタスクをサポートするデータセットに強調されている。 この研究の目的は、リモートセンシング駆動災害対応ソリューションの迅速な開発と展開のために高品質なデータセットを求める研究者や実践者の集中的な参照として機能することである。

関連論文リスト

• DisasterInsight: A Multimodal Benchmark for Function-Aware and Grounded Disaster Assessment [19.434058305975167]
  DisasterInsightは、現実的な災害解析タスクの視覚言語モデル(VLM)を評価するために設計されたベンチマークである。 xBDデータセットを約112Kのビルディングセンタインスタンスに再構成する。 ビル機能分類、被害レベル、災害タイプ分類、数え上げ、人道的評価ガイドラインに沿った構造化されたレポート生成など、複数のタスクにわたるインストラクションの多様性評価をサポートする。
  論文  参考訳（メタデータ） (2026-01-26T13:48:11Z)
• 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)
• Small Object Detection: A Comprehensive Survey on Challenges, Techniques and Real-World Applications [0.15705429611931052]
  小型物体検出(SOD)はコンピュータビジョンにおいて重要な課題である。 ディープラーニングの最近の進歩は革新的なソリューションを導入している。 軽量ニューラルネットワーク、知識蒸留(KD)、自己教師型学習といった新興トレンドは、検出効率を改善する上で有望な方向を提供する。
  論文  参考訳（メタデータ） (2025-03-26T12:58:13Z)
• Harnessing Large Language Models for Disaster Management: A Survey [63.69308255115172]
  大規模言語モデル(LLM)は、その例外的な能力で科学研究に革命をもたらし、様々な分野を変革した。 本研究の目的は,災害対策のための高度LLMの開発における専門家コミュニティの指導であり,自然災害に対するレジリエンスを高めることである。
  論文  参考訳（メタデータ） (2025-01-12T21:00:50Z)
• 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)
• CrisisSense-LLM: Instruction Fine-Tuned Large Language Model for Multi-label Social Media Text Classification in Disaster Informatics [50.122541222825156]
  本研究では,事前学習型大規模言語モデル(LLM)の強化による災害テキスト分類への新たなアプローチを提案する。 本手法では,災害関連ツイートから包括的インストラクションデータセットを作成し,それをオープンソース LLM の微調整に用いる。 この微調整モデルでは,災害関連情報の種類,情報化,人的援助の関与など,複数の側面を同時に分類することができる。
  論文  参考訳（メタデータ） (2024-06-16T23:01:10Z)
• Disaster Anomaly Detector via Deeper FCDDs for Explainable Initial Responses [0.0]
  あらゆる災害イベントにおいて、最初の応答は72時間以内に救助し、回復を急ぐ鍵である。 機械学習アルゴリズムのうち、深い異常検出は日常の特徴とは異なる破壊的特徴を検出するのに有効である。 本稿では,より深い完全畳み込みデータ記述(FCDD)を利用した異常検出アプリケーションを提案する。 VGG16バックボーンを持つ深いFCDDは、他のベースラインであるCNN27、ResNet101、Inceptionv3より一貫して優れていた。
  論文  参考訳（メタデータ） (2023-06-05T00:44:39Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• Improving Community Resiliency and Emergency Response With Artificial Intelligence [0.05541644538483946]
  我々は、ステークホルダーが包括的で関連性があり、信頼できる情報にタイムリーにアクセスできるようにする、多段階の緊急対応ツールを目指しています。 本ツールは, 浸水リスク位置, 道路ネットワーク強度, 浸水マップ, 浸水地や被害インフラを推定するコンピュータビジョンセマンティックセマンティックセマンティックセグメンテーションなど, オープンソースの地理空間データの複数の層を符号化して構成する。 これらのデータレイヤを組み合わせて、緊急時の避難経路の検索や、最初に影響を受けたエリアで最初の応答者のために利用可能な宿泊場所のリストを提供するなど、機械学習アルゴリズムの入力データとして利用する。
  論文  参考訳（メタデータ） (2020-05-28T18:05:08Z)

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。