論文の概要: Damage-TriageFormer: A Foundation-Model Framework for Typology-Based Building Damage Assessment from Mono-Temporal Imagery
- arxiv url: http://arxiv.org/abs/2606.12248v1
- Date: Wed, 10 Jun 2026 15:50:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.543892
- Title: Damage-TriageFormer: A Foundation-Model Framework for Typology-Based Building Damage Assessment from Mono-Temporal Imagery
- Title（参考訳）: 損傷トリアージフォーマー - モノテンポラル画像からの分類に基づく建物被害評価のための基礎モデルフレームワーク
- Authors: Yiming Xiao, Yu-Hsuan Ho, Sanjay Thasma, Junwei Ma, Ali Mostafavi,
- Abstract要約: 本稿では, 重度スケールではなく, 単一画像, ポストイベント, フットプリント条件付きモデルである損傷・トリアージフォーマーについて述べる。
以上の結果から,単イメージのポストイベント画像はビルの損傷評価を効果的に支援し,事前参照なしで目標の緊急応答と資源配分を可能にすることが示唆された。
- 参考スコア（独自算出の注目度）: 7.078080152361472
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Decision-relevant building damage assessment is critical for prioritizing resources and recovery after a disaster, yet most automated methods either flatten damage into a single severity scale (no damage, minor, major, destroyed) or require paired pre- and post-event imagery that is often unavailable for emerging hazards. This paper presents Damage-TriageFormer, a single-image, post-event, footprint-conditioned model that produces a damage typology rather than a severity scale. We contribute: (1) DamageTriage-Bench, a new benchmark built from NOAA Emergency Response Imagery across Hurricane Michael (2018), Hurricane Helene (2024), and the 2025 Los Angeles wildfire complex, with five typology classes that distinguish roof damage from structural damage and, within each, partial from total extent; and (2) Damage-TriageFormer, which extends a DINOv3 ViT-L backbone with a Simple Feature Pyramid for higher-resolution instance pooling, a two-stage gated damage head, and an auxiliary severity-regression objective. Our model achieves macro F1 of 0.624 on validation and 0.619 on a held-out stratified test set, performing strongest where operational triage needs it most, with per-class F1 of 0.91 and 0.84 on undamaged buildings and total structural collapse, respectively. While the rare Total Roof Damage class remains difficult due to its limited examples and an inherently ambiguous label boundary, our results show that single-image post-event imagery can support actionable building damage typing, enabling targeted emergency response and resource allocation without a pre-event reference.
- Abstract（参考訳）: しかし、ほとんどの自動化された手法は、損傷を単一の重度スケール(損傷なし、マイナー、メジャー、破壊なし)に平らにするか、または出現する危険に対してしばしば利用できない、ペア化された事前画像と後処理画像を必要とする。
本稿では, 重度スケールではなく, 単一画像, ポストイベント, フットプリント条件付きモデルである損傷・トリアージフォーマーについて述べる。
1) ハリケーン・マイケル(2018年)、ハリケーン・ヘレン(2024年)、ロサンゼルス山火事(2025年)にまたがるNOAA緊急対応画像から構築された新しい指標である損傷Triage-Benchは、屋根の損傷と構造的損傷を区別する5つのタイプがあり、その内、全範囲から部分的な部分的なものである。
本モデルでは, 既設成層集合上では0.624のマクロF1と0.619のマクロF1を達成し, 運用上のトリアージが最も必要となる場合に, 損傷のない建物では0.91のクラスF1と0.84のクラスF1と, 総構造崩壊がそれぞれ最強となる。
稀なトータルルーフ損傷クラスは, 限られた例と, 本質的にあいまいなラベル境界のため, 依然として困難でありながら, 単一像のポストビュート画像は, 先行参照を伴わずに, 目標とする緊急応答と資源配分を可能とし, 実用的な建物損傷タイピングをサポートできることが示唆された。
関連論文リスト
- Can LLM Agents Respond to Disasters? Benchmarking Heterogeneous Geospatial Reasoning in Emergency Operations [55.251494694783894]
災害対応エージェントベンチマーク(DORA)は、エンド・ツー・エンドの災害対応のための最初のエージェントベンチマークである。
タスクは、災害認識、空間関係分析、救助・避難計画、時間的進化推論、マルチモーダルレポート合成という、災害対応パイプラインをカバーする5つの次元にまたがる。
DORAは、運用上の信頼性の高い災害対応エージェントのための厳格なテストベッドを確立する。
論文 参考訳（メタデータ） (2026-05-12T06:57:41Z) - DA-SegFormer: Damage-Aware Semantic Segmentation for Fine-Grained Disaster Assessment [3.5487218173471184]
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。
論文 参考訳（メタデータ） (2026-05-11T01:49:19Z) - 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) - DamageCAT: A Deep Learning Transformer Framework for Typology-Based Post-Disaster Building Damage Categorization [1.9835707645687721]
本稿では,類型分類による損傷評価を行うフレームワークであるDanceCATを紹介する。
筆者らは,(1)ハリケーン・アイダの衛星画像トリプレットを含むBD-TypoSATデータセットと,(2)事前および事後画像ペアを処理するための階層的U-Netトランスフォーマアーキテクチャを提案する。
本モデルでは,Hurricane Harvey,Florence,Michaelデータ間での遷移性を評価することで,0.737 IoUと0.846 F1スコアを達成した。
論文 参考訳（メタデータ） (2025-04-15T21:53:59Z) - 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) - DeepDamageNet: A two-step deep-learning model for multi-disaster building damage segmentation and classification using satellite imagery [12.869300064524122]
本稿では, 損傷評価, セグメンテーション, 分類において, ディープラーニングモデルによる2つの重要な課題を遂行するソリューションを提案する。
我々の最良のモデルは、建物識別セマンティックセグメンテーション畳み込みニューラルネットワーク(CNN)と建物損傷分類CNNを組み合わせ、合計F1スコアは0.66である。
本モデルでは比較的精度の高い建物を同定することができたが,災害タイプによる被害の分類は困難であることが判明した。
論文 参考訳（メタデータ） (2024-05-08T04:21:03Z) - 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) - MIRST-DM: Multi-Instance RST with Drop-Max Layer for Robust
Classification of Breast Cancer [62.997667081978825]
MIRST-DMと呼ばれるドロップマックス層を用いたマルチインスタンスRTTを提案し、小さなデータセット上でよりスムーズな決定境界を学習する。
提案手法は1,190画像の小さな乳房超音波データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-02T20:25:26Z) - 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。