論文の概要: DA-SegFormer: Damage-Aware Semantic Segmentation for Fine-Grained Disaster Assessment

• arxiv url: http://arxiv.org/abs/2605.09864v1
• Date: Mon, 11 May 2026 01:49:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.462666
• Title: DA-SegFormer: Damage-Aware Semantic Segmentation for Fine-Grained Disaster Assessment
• Title（参考訳）: DA-SegFormer:細粒度災害評価のための損傷対応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
• Authors: Kevin Zhu, William Tang, Raphael Hay Tene, Zesheng Liu, Nhut Le, Maryam Rahnemoonfar,
• Abstract要約: 我々は,高解像度の災害画像に最適化されたSegFormerアーキテクチャの損傷認識適応であるDA-SegFormerを提案する。 本手法では, 稀な損傷特性に曝露することを保証するため, クラスアウェアサンプリング方式を導入する。 オンラインハードケースマイニング(OHEM)とDice Lossを統合し、表現不足のクラスに動的に集中する。
• 参考スコア（独自算出の注目度）: 3.5487218173471184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid and accurate damage assessment following natural disasters is critical for effective emergency response. However, identifying fine-grained damage levels (e.g., distinguishing minor from major roof damage) in UAV imagery remains challenging due to the degradation of texture cues during resizing and extreme class imbalance. We propose DA-SegFormer, a damage-aware adaptation of the SegFormer architecture optimized for high-resolution disaster imagery. Our method introduces a Class-Aware Sampling strategy to guarantee exposure to rare damage features, and it integrates Online Hard Example Mining (OHEM) with Dice Loss to dynamically focus on underrepresented classes. In addition, we employ a resolution-preserving inference protocol that maintains native texture details. Evaluated on the RescueNet dataset, DA-SegFormer achieves 74.61\% mIoU, outperforming the baseline by 2.55\%. Notably, our improvements yield double-digit gains in critical damage classes: Minor Damage (+11.7%) and Major Damage (+21.3%).
• Abstract（参考訳）: 自然災害後の迅速かつ正確な被害評価は、効果的な緊急対応に不可欠である。 しかし、UAV画像におけるきめ細かい損傷レベル(例えば、大屋根の損傷と小さめの区別)の同定は、小型化と極端級の不均衡によるテクスチャの劣化のため、依然として困難である。 我々は,高解像度の災害画像に最適化されたSegFormerアーキテクチャの損傷認識適応であるDA-SegFormerを提案する。 本手法では,希少な損傷特性に曝露することを保証するクラス・アウェア・サンプリング戦略を導入し,オンラインハード・サンプル・マイニング(OHEM)とDice Lossを統合し,表現不足のクラスに動的にフォーカスする。 さらに,テクスチャの詳細をネイティブに保持する解像度保存型推論プロトコルも採用している。 RescueNetデータセットに基づいて評価すると、DA-SegFormerは74.61\% mIoUに達し、ベースラインを2.55\%上回る。 特に, 被害は小さかった (+11.7%), 被害が大きかった (+21.3%) 。

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)
• Multi-Label Classification Framework for Hurricane Damage Assessment [1.8434042562191815]
  本稿では,空中画像による損傷評価のための新しいマルチラベル分類フレームワークを提案する。 提案手法では,ResNetに基づく特徴抽出モジュールとクラス固有のアテンション機構を統合し,単一画像内の複数の損傷タイプを識別する。 ハリケーン・マイケルのRescuenetデータセットを用いて、提案手法は90.23%の平均精度を達成し、既存のベースライン法より優れている。
  論文  参考訳（メタデータ） (2025-07-03T03:15:23Z)
• Post-Hurricane Debris Segmentation Using Fine-Tuned Foundational Vision Models [18.008592164636664]
  この研究は、Hulicanes Ian、Ida、Ikeの約1200個の手動の空中RGB画像からなるオープンソースデータセットを導入している。 人間のバイアスを緩和し、データ品質を向上させるため、複数のアノテータからのラベルを戦略的に集約し、視覚的なプロンプトエンジニアリングを採用する。 結果として得られた細調整されたモデルであるfCLIPSegは、ハリケーン・アイダのデータからデブリのない地域では事実上偽陽性のDiceスコアが0.70に達する。
  論文  参考訳（メタデータ） (2025-04-17T00:08:50Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• 2D Feature Distillation for Weakly- and Semi-Supervised 3D Semantic Segmentation [92.17700318483745]
  合成訓練された2Dセマンティックセマンティックセグメンテーションネットワークから高レベル特徴情報を蒸留するアイデアに基づく画像誘導ネットワーク(IGNet)を提案する。 IGNetは、ScribbleKITTI上の弱い教師付きLiDARセマンティックセマンティックセグメンテーションの最先端の結果を達成し、8%のラベル付きポイントしか持たない完全な教師付きトレーニングに対して最大98%のパフォーマンスを誇っている。
  論文  参考訳（メタデータ） (2023-11-27T07:57:29Z)
• Image Prior and Posterior Conditional Probability Representation for Efficient Damage Assessment [51.631659414455825]
  人的援助及び災害対応のための被害評価の定量化が重要である。 本稿では,画像先行と後部条件付き確率(IP2CP)を有効計算画像表現として開発する。 一致した前と後の画像は、1つの画像に効果的に符号化され、その画像は深層学習アプローチを用いて処理され、損傷レベルが決定される。
  論文  参考訳（メタデータ） (2023-10-26T22:17:37Z)
• Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
  ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。 これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。 本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
  論文  参考訳（メタデータ） (2022-07-29T22:35:05Z)
• Attention Based Semantic Segmentation on UAV Dataset for Natural Disaster Damage Assessment [0.7614628596146599]
  我々は,高解像度UAVデータセット上に,自己アテンションに基づくセマンティックセマンティックセマンティクスモデルを実装した。 その結果、人命を救うとともに経済損失を減らす自然災害被害評価に自己注意型スキームを使うことが示唆された。
  論文  参考訳（メタデータ） (2021-05-30T13:39:03Z)
• Assessing out-of-domain generalization for robust building damage detection [78.6363825307044]
  建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。 モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。 今後はOOD体制に重点を置くべきだと我々は主張する。
  論文  参考訳（メタデータ） (2020-11-20T10:30:43Z)
• 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。