論文の概要: HASTE: A Platform for Rapid Post-Disaster Building Damage Assessment

• arxiv url: http://arxiv.org/abs/2607.11838v1
• Date: Mon, 13 Jul 2026 17:27:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.567984
• Title: HASTE: A Platform for Rapid Post-Disaster Building Damage Assessment
• Title（参考訳）: 災害後の建物被害の迅速評価プラットフォーム「HASTE」
• Abstract要約: HASTEは、災害後の衛星画像から建物ごとの損傷マップを作成できる、ノーコードWebプラットフォームである。 1つ目は、ディスカスター後のシーンにポリゴンをラベル付けし、そのシーンで小さなセマンティックセグメンテーションモデルをトレーニングし、イメージ全体にわたって実行し、ピクセル単位の出力を既存のビルディングフットプリントに結合することである。 2つ目は、事前にトレーニングされた視覚モデルにすべてのフットプリントを埋め込んで、ユーザはいくつかの建物にラベルを付ける必要があり、残りのシーンを数秒でスコアするブラウザのロジスティックなレグレッションに適合する。
• 参考スコア（独自算出の注目度）: 4.839274880251961
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When a large disaster strikes, responders need a map of which buildings are damaged within hours. The models that do well on public benchmarks assume matched before-and-after imagery and a training set drawn from similar past events, and neither is usually available for a new disaster in its first day. We present HASTE (High-speed Assessment and Satellite Tracking for Emergencies), a no-code web platform that lets analysts who are not machine learning engineers produce per-building damage maps from post-disaster satellite imagery. HASTE implements two methods that share one interface. The first requires the user to label polygons over the post-disaster scene, trains a small semantic segmentation model on that single scene, runs it over the whole image, and joins the per-pixel output to existing building footprints. The second embeds every footprint with a pretrained vision model, requires the user to label a handful of buildings, and fits a logistic regression in the browser that scores the rest of the scene in seconds. We describe the platform, both methods, and the engineering that supports them. We also report preliminary experiments on xBD showing that foundation-model embeddings pooled over footprints separate damaged from intact buildings using post-disaster imagery alone, matching a fully supervised ResNet-50 baseline with a twentieth of its labels. HASTE and its predecessors have supported more than thirty real-world disaster responses since 2023, spanning earthquakes, hurricanes, cyclones, floods, wildfires, and tornadoes, delivering results to humanitarian partners within hours to days of imagery becoming available. We close with the directions we think are most promising, including vision-language assessment, active learning, and damage models for roads and other infrastructure. HASTE is open source at https://github.com/microsoft/haste.
• Abstract（参考訳）: 大規模な災害が発生した場合、応答者は数時間以内に建物が損傷した地図を必要とします。 公開ベンチマークでうまく機能するモデルは、前と後のイメージにマッチし、同じ過去のイベントから引き出されたトレーニングセットを前提としています。 HASTE(High-speed Assessment and Satellite Tracking for Emergencies)は、非コードWebプラットフォームで、マシンラーニングエンジニアでないアナリストが、災害後の衛星画像から建物ごとの損傷マップを作成することができる。 HASTEは1つのインターフェイスを共有する2つのメソッドを実装している。 1つ目は、ディスカスター後のシーンにポリゴンをラベル付けし、そのシーンで小さなセマンティックセグメンテーションモデルをトレーニングし、イメージ全体にわたって実行し、ピクセル単位の出力を既存のビルディングフットプリントに結合することである。 2つ目は、事前にトレーニングされた視覚モデルにすべてのフットプリントを埋め込んで、ユーザはいくつかの建物にラベルを付ける必要があり、残りのシーンを数秒でスコアするブラウザのロジスティックなレグレッションに適合する。 プラットフォーム、メソッド、およびそれらをサポートするエンジニアリングについて説明する。 また, 災害後の画像のみを用いて, 足跡に埋もれた基礎モデル埋め込みが, 完全に管理されたResNet-50ベースラインと, ラベルの20分の1と一致していることを示す予備実験を行った。 HASTEとその先駆者たちは、2023年以降、地震、ハリケーン、サイクロン、洪水、山火事、竜巻など、30以上の現実世界の災害対応を支援し、数時間から数日以内に人道支援者に提供する。 私たちは、視覚言語の評価、アクティブラーニング、道路やその他のインフラの損傷モデルなど、最も有望な方向をよく考えています。 HASTEはhttps://github.com/microsoft/haste.comでオープンソースとして公開されている。

関連論文リスト

• EIDSeg: A Pixel-Level Semantic Segmentation Dataset for Post-Earthquake Damage Assessment from Social Media Images [0.5155683227758207]
  EIDSegは,地震後のソーシャルメディア画像に特化された,最初の大規模セマンティックセマンティックセマンティックセマンティクスデータセットである。 このデータセットは、2008-2023年の9大地震の3,266枚の画像からなり、5種類のインフラ被害を注視している。 我々は、最先端セグメンテーションモデルをいくつかベンチマークし、Msk Transformer (EoMT) を、mIoU (Mean Intersection over Union) (mIoU) の80.8%で最高性能の方法として同定した。
  論文  参考訳（メタデータ） (2025-11-09T16:42:36Z)
• 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)
• QuickQuakeBuildings: Post-earthquake SAR-Optical Dataset for Quick Damaged-building Detection [5.886875818210989]
  このレターでは, 地震被害を受けた建物を, SAR(Synthetic Aperture Radar)と光学画像から検出するための最初のデータセットを提示する。 我々は、SARと光学データの両方のコアギスター化された建物の足跡と衛星画像パッチのデータセットを提供し、400万以上の建物を包含する。
  論文  参考訳（メタデータ） (2023-12-11T18:19:36Z)
• Few-View Object Reconstruction with Unknown Categories and Camera Poses [80.0820650171476]
  この研究は、カメラのポーズやオブジェクトのカテゴリを知らない少数の画像から、一般的な現実世界のオブジェクトを再構築する。 私たちの研究の要点は、形状再構成とポーズ推定という、2つの基本的な3D視覚問題を解決することです。 提案手法は,各ビューから3次元特徴を予測し,それらを入力画像と組み合わせて活用し,クロスビュー対応を確立する。
  論文  参考訳（メタデータ） (2022-12-08T18:59:02Z)
• Unpaired Referring Expression Grounding via Bidirectional Cross-Modal Matching [53.27673119360868]
  表現基盤の参照はコンピュータビジョンにおいて重要かつ困難な課題である。 本稿では,これらの課題に対処する新しい双方向クロスモーダルマッチング(BiCM)フレームワークを提案する。 私たちのフレームワークは、2つの一般的なグラウンドデータセットで、以前の作業の6.55%と9.94%を上回っています。
  論文  参考訳（メタデータ） (2022-01-18T01:13:19Z)
• Detecting Damage Building Using Real-time Crowdsourced Images and Transfer Learning [53.26496452886417]
  本稿では,Twitterなどのソーシャルメディアプラットフォームから地震後の建物画像を自動的に抽出する手法を提案する。 トランスファーラーニングと6500枚の手動ラベル付き画像を用いて,現場に損傷のある建物を画像として認識する深層学習モデルを訓練した。 訓練されたモデルは、異なる場所で新たに取得した地震の画像でテストし、トルコのM7.0地震の後、Twitterのフィードでほぼリアルタイムで実行された。
  論文  参考訳（メタデータ） (2021-10-12T06:31:54Z)
• BDANet: Multiscale Convolutional Neural Network with Cross-directional Attention for Building Damage Assessment from Satellite Images [24.989412626461213]
  衛星画像からの損傷評価は、救援活動が展開される前に重要となる。 深いニューラルネットワークは建物の損傷評価に首尾よく適用されました。 本稿では,bdanetと呼ばれる損傷評価のための2段階畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-05-16T06:13:28Z)
• 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)
• MSNet: A Multilevel Instance Segmentation Network for Natural Disaster Damage Assessment in Aerial Videos [74.22132693931145]
  本研究では, ハリケーン, 洪水, 火災などの自然災害後の建物被害を効率的に評価する課題について検討する。 最初のコントリビューションは、ソーシャルメディアからユーザ生成された空中ビデオと、インスタンスレベルのビルディング損傷マスクのアノテーションで構成される、新しいデータセットである。 第二のコントリビューションはMSNetと呼ばれる新しいモデルで、新しい領域の提案ネットワーク設計を含んでいる。
  論文  参考訳（メタデータ） (2020-06-30T02:23:05Z)
• 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。