論文の概要: RAPID: A Reproducible Multi-Agent Pipeline for Interpretable Disaster Damage Assessment from Satellite and Street-View Imagery

• arxiv url: http://arxiv.org/abs/2606.21819v1
• Date: Sat, 20 Jun 2026 01:05:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 02:55:57.38605
• Title: RAPID: A Reproducible Multi-Agent Pipeline for Interpretable Disaster Damage Assessment from Satellite and Street-View Imagery
• Title（参考訳）: RAPID:衛星画像とストリートビュー画像から推定可能な防災評価のための再現可能なマルチエージェントパイプライン
• Authors: Yifan Yang, Wenjing Gong, Kaili Zhang, Lei Zou, Zhengzhong Tu, Hao Li, Zongrong Li, Xinyue Ye,
• Abstract要約: RAPIDは、再現可能な多エージェントパイプラインで、災害被害評価を解釈できる。 クロスビュー理解、画像復元、構造化損傷認識、地理的推論を行うために、特殊エージェントを調整する。 微粒で解釈可能なアセスメントを生成し、位置特異的で意思決定に関連のある災害レポートを自動的に生成する。
• 参考スコア（独自算出の注目度）: 22.976017696905092
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the increasing frequency and intensity of extreme climate events, there is a clear demand for intelligent, scalable, and autonomous approaches to disaster damage assessment. Existing methods, largely based on supervised learning and task-specific fine-tuning, struggle to generalize under domain shifts, long-tailed data distributions, and heterogeneous geospatial data sources, especially in disaster scenarios. They also often lack the ability to integrate and reason across multimodal geospatial information, such as satellite images and street-view images. In this paper, we introduce RAPID, a reproducible multi-agent pipeline for interpretable disaster damage assessment, including damage-level assessment, damage-type interpretation, and actionable suggestions for response, remediation, and recovery. RAPID coordinates specialized agents to perform cross-view understanding, image restoration, structured damage recognition, and geographical reasoning across heterogeneous data modalities. Without task-specific fine-tuning, RAPID supports zero-shot damage assessment by jointly using complementary information from remote sensing and ground-level perspectives. The system produces fine-grained, interpretable assessments and automatically generates location-specific, decision-relevant disaster reports to support early-stage emergency response. We evaluate RAPID across hurricanes, floods, wildfires, and earthquakes using multiple cross-view imagery inputs, including pre- and post-disaster street-view images, post-disaster remote sensing imagery, and street-view image pairs. Experiments show that RAPID achieves 0.92 overall accuracy for multi-disaster type classification and up to 0.627 for cross-view damage severity prediction, highlighting its potential as a foundational framework for autonomous disaster intelligence.
• Abstract（参考訳）: 極端な気候現象の頻度と強度の増大により、知的でスケーラブルで自律的な災害被害評価へのアプローチが明らかに求められている。 既存の手法は、主に教師付き学習とタスク固有の微調整に基づいており、特に災害シナリオにおいて、ドメインシフト、長い尾のデータ分布、異種地理空間データソースの下での一般化に苦慮している。 また、衛星画像やストリートビュー画像などのマルチモーダルな地理空間情報の統合と推論の能力に欠けることが多い。 本稿では, 被害レベル評価, 被害型解釈, 応答, 修復, 復旧のための実行可能な提案を含む, 災害被害評価の再現可能な多エージェントパイプラインであるRAPIDを紹介する。 RAPIDは、クロスビュー理解、画像復元、構造化損傷認識、異種データモダリティ間の地理的推論を行うための特殊エージェントをコーディネートする。 タスク固有の微調整がなければ、RAPIDはリモートセンシングと地上レベルの視点から補完的な情報を用いてゼロショット損傷評価をサポートする。 システムは細粒度で解釈可能なアセスメントを生成し、早期の緊急対応を支援するために、位置特化、意思決定関連災害報告を自動的に生成する。 ハリケーン,洪水,山火事,地震に対するRAPIDの評価には,災害前のストリートビュー画像,災害後のリモートセンシング画像,災害後のストリートビューイメージペアなど,複数のクロスビューイメージインプットを用いた。 実験の結果、RAPIDはマルチディザスタ型の分類において0.92の総合的精度を達成し、クロスビューの損傷重大度予測では最大0.627の精度を達成し、自律的災害情報の基礎的枠組みとしての可能性を強調した。

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)
• Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving [51.726472686971896]
  エンド・ツー・エンドの自律運転モデルは、多視点入力から将来の軌跡を生成する。 既存の手法では、軌道生成の根底にある視覚的証拠を明らかにすることができない。 エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T13:38:18Z)
• From Pixels to Semantics: A Multi-Stage AI Framework for Structural Damage Detection in Satellite Imagery [0.0]
  本稿では,AIに基づく超解像,深層学習オブジェクト検出,視覚言語モデル(VLM)を統合し,建築被害の包括的評価を行う新しいフレームワークを提案する。 まず, 映像再生変換器(VRT)を用いて, 1024x1024 から 4096x4096 への高解像度化を行う。 参照不要なセマンティックアライメントのためにCLIPScoreを使用し、安全クリティカルな意思決定における個人のモデルバイアスを低減するためのマルチモデルVLM-as-a-Jury戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-24T03:50:41Z)
• 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)
• RAID: A Dataset for Testing the Adversarial Robustness of AI-Generated Image Detectors [57.81012948133832]
  本稿では,72kの多種多様かつ高い変換可能な対向例からなるRAID(Robust Evaluation of AI- generated Image Detectors)を提案する。 提案手法は,未知の検出器に高い成功率で転送する逆画像を生成する。 以上の結果から,現在最先端のAI生成画像検出器は,敵の例によって容易に認識できることが示唆された。
  論文  参考訳（メタデータ） (2025-06-04T14:16:00Z)
• 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)
• Generalizable Disaster Damage Assessment via Change Detection with Vision Foundation Model [17.016411785224317]
  DAVI(Disaster Assessment with Vision foundation model)は,ドメインの格差に対処し,ターゲット領域に接地トラストラベルを必要とせずに建物レベルで構造的損傷を検出する手法である。 DAVIは、ソース領域で訓練されたモデルからのタスク固有の知識と、イメージセグメンテーションモデルからのタスク非依存の知識を組み合わせて、ターゲット領域の潜在的な損傷を示す擬似ラベルを生成する。 次に、2段階の精錬プロセスを使用し、ピクセルレベルと画像レベルの両方で動作し、災害被害地域の変化を正確に識別する。
  論文  参考訳（メタデータ） (2024-06-12T09:21:28Z)
• Learning from Multimodal and Multitemporal Earth Observation Data for Building Damage Mapping [17.324397643429638]
  我々は、損傷マッピングを構築するためのグローバルなマルチセンサとマルチテンポラルデータセットを開発した。 グローバルデータセットには、高解像度の光学画像と高解像度のマルチバンドSARデータが含まれている。 我々は、深層畳み込みニューラルネットワークアルゴリズムに基づいて、損傷建物の意味的セグメンテーションのための損傷マッピングフレームワークを定義した。
  論文  参考訳（メタデータ） (2020-09-14T05:04:19Z)
• 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。