論文の概要: Geometric Flood Depth Estimation: Fusing Transformer-Based Segmentation with Digital Elevation Models
- arxiv url: http://arxiv.org/abs/2605.08521v1
- Date: Fri, 08 May 2026 22:05:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.707562
- Title: Geometric Flood Depth Estimation: Fusing Transformer-Based Segmentation with Digital Elevation Models
- Title（参考訳）: 幾何学的洪水深度推定:デジタル標高モデルを用いた変圧器に基づくセグメンテーション
- Authors: Nhut Le, Ehsan Karimi, Maryam Rahnemoonfar,
- Abstract要約: 災害後の状況認識は、洪水水の大きさと量の両方を理解することに大きく依存している。
本論文は,単眼の空中画像から洪水深度を推定するための幾何学的「水面上昇」手法を提案する。
我々のパイプラインは、最先端のトランスフォーマーベースセグメンテーションモデルであるMask2Formerを使用して、正確な2Dフラッドマスクを生成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Post-disaster situational awareness relies heavily on understanding both the extent and the volume of floodwaters. While 2D semantic segmentation provides accurate flood masking, it lacks the vertical dimension required to assess navigability and structural risk. This paper presents a geometric "Water Surface Elevation" approach for estimating flood depth from monocular aerial imagery. Our pipeline utilizes Mask2Former, a state-of-the-art transformer-based segmentation model, to generate precise 2D flood masks. These masks are fused with Digital Elevation Models (DEMs) to identify the water-land boundary, calculate a global water surface elevation ($Z_{water}$), and compute per-pixel depth based on the principle of local hydrostatic equilibrium. We evaluate this workflow using the FloodNet and CRASAR-U-DROIDS datasets, demonstrating how high-performance segmentation can be leveraged to extract 3D volumetric data from 2D imagery without the latency of hydrodynamic simulations.
- Abstract（参考訳）: 災害後の状況認識は、洪水水の大きさと量の両方を理解することに大きく依存している。
2Dセマンティックセグメンテーションは正確な洪水マスキングを提供するが、航行可能性や構造的リスクを評価するのに必要な垂直次元は欠如している。
本論文は,単眼の空中画像から洪水深度を推定するための幾何学的「水面上昇」手法を提案する。
我々のパイプラインは、最先端のトランスフォーマーベースセグメンテーションモデルであるMask2Formerを使用して、正確な2Dフラッドマスクを生成する。
これらのマスクはDEM(Digital Elevation Models)と融合し、水面境界を識別し、地球規模の水面上昇(Z_{water}$)を計算し、局所静水平衡の原理に基づいて画素ごとの深さを計算する。
このワークフローをFloodNetとCRASAR-U-DROIDSデータセットを用いて評価し、ハイパフォーマンスなセグメンテーションが流体力学シミュレーションのレイテンシを伴わずに2次元画像から3次元ボリュームデータを抽出する方法を実証した。
関連論文リスト
- Looking Into the Water by Unsupervised Learning of the Surface Shape [5.875225219574616]
我々は,水面の屈折による画像歪みを除去するために,空気中の水を調べるという課題に対処する。
提案手法は,底面画像が一定であると仮定して,様々な地点で異なる水面構造をモデル化することに基づいている。
論文 参考訳（メタデータ） (2026-03-08T12:54:41Z) - FreqPDE: Rethinking Positional Depth Embedding for Multi-View 3D Object Detection Transformers [91.59069344768858]
周波数対応位置深度埋め込み (FreqPDE) を導入し, 空間情報と2次元画像特徴を付加して3次元検出変換器デコーダを提案する。
FreqPDEは2D画像特徴と3D位置埋め込みを組み合わせることで、クエリデコーディングのための3D深度認識機能を生成する。
論文 参考訳（メタデータ） (2025-10-17T07:36:54Z) - PFDepth: Heterogeneous Pinhole-Fisheye Joint Depth Estimation via Distortion-aware Gaussian-Splatted Volumetric Fusion [61.6340987158734]
ヘテロジニアス多視点深度推定のための最初のピンホール・フィッシュアイ・フレームワークPFDepthを提案する。
PFDepthは、ピンホールと魚眼カメラの任意の組み合わせを、様々な内在と外生とで処理できる統一アーキテクチャを採用している。
我々は,現在の主流深度ネットワーク上でのKITTI-360およびRealHetデータセットに対して,PFDepthが最先端の性能を示すことを示す。
論文 参考訳（メタデータ） (2025-09-30T09:38:59Z) - HOTA: Hierarchical Overlap-Tiling Aggregation for Large-Area 3D Flood Mapping [4.567610334888734]
この研究は HOTA: Hierarchical Overlap-Tiling Aggregation, a plug-and-play, multi-scale inference strategy を提示する。
SegFormerとデュアル制約深度推定モジュールを組み合わせると、このアプローチは完全な3Dフラッドマッピングパイプラインを形成する。
以上の結果から, HOTAは急激な災害対応に適した高精度で大面積の3D洪水マップを作成できることが示された。
論文 参考訳（メタデータ） (2025-07-10T09:40:20Z) - Plenodium: UnderWater 3D Scene Reconstruction with Plenoptic Medium Representation [31.47797579690604]
Plenodiumは、オブジェクトと参加メディアの両方を共同でモデリングできる3D表現フレームワークである。
ビュー依存モデリングにのみ依存する既存の媒体表現とは対照的に,本手法では指向性情報と位置情報の両方を包含する。
実世界の水中データセットを用いた実験により,本手法は3次元再構成において大きな改善をもたらすことが示された。
論文 参考訳（メタデータ） (2025-05-27T14:37:58Z) - GEOcc: Geometrically Enhanced 3D Occupancy Network with Implicit-Explicit Depth Fusion and Contextual Self-Supervision [49.839374549646884]
本稿では,視覚のみのサラウンドビュー知覚に適したジオメトリ強化OccupancyネットワークであるGEOccについて述べる。
提案手法は,Occ3D-nuScenesデータセット上で,画像解像度が最小で,画像バックボーンが最大である状態-Of-The-Art性能を実現する。
論文 参考訳（メタデータ） (2024-05-17T07:31:20Z) - DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water
Extent with SAR Images using Knowledge Distillation [44.99833362998488]
トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。
我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。
実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
論文 参考訳（メタデータ） (2023-05-02T18:06:21Z) - Neuroevolution deep learning architecture search for estimation of river
surface elevation from photogrammetric Digital Surface Models [0.0]
機械学習を用いて、乱れたフォトグラムデータから水面上昇値(WSE)を抽出した。
データは、水文学、水文学、流体力学のモデルの検証と校正に使用することができ、水文学の予測をより正確にすることができる。
論文 参考訳（メタデータ） (2021-12-22T11:25:23Z) - Deep Two-View Structure-from-Motion Revisited [83.93809929963969]
2次元構造移動(SfM)は3次元再構成と視覚SLAMの基礎となる。
古典パイプラインの適切性を活用することで,深部2視点sfmの問題を再検討することを提案する。
本手法は,1)2つのフレーム間の密対応を予測する光フロー推定ネットワーク,2)2次元光フロー対応から相対カメラポーズを計算する正規化ポーズ推定モジュール,3)エピポーラ幾何を利用して探索空間を縮小し,密対応を洗練し,相対深度マップを推定するスケール不変深さ推定ネットワークからなる。
論文 参考訳（メタデータ） (2021-04-01T15:31:20Z)
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。