論文の概要: Advancing All-Weather Building Damage Mapping to the Instance Level: Outcomes and Insights from the 2026 Bright Challenge

• arxiv url: http://arxiv.org/abs/2607.22746v1
• Date: Thu, 23 Jul 2026 07:22:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.851905
• Title: Advancing All-Weather Building Damage Mapping to the Instance Level: Outcomes and Insights from the 2026 Bright Challenge
• Title（参考訳）: 全層建物被害のインスタンスレベルへの対応:2026年のライトチャレンジの成果と展望
• Abstract要約: 急激な災害後の対応には、建物が無傷のままか、損傷するか、破壊されるかについてのビルレベルの情報をタイムリーに要求する。 Bright Challengeは、サブメートル解像度のプレイベント光学画像とポストイベントSAR画像から全天候の建物損傷マッピングを評価した。
• 参考スコア（独自算出の注目度）: 51.684701877722574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rapid post-disaster response requires timely, building-level information on whether structures remain intact, are damaged, or are destroyed. Post-event optical imagery, however, may be unavailable because of cloud, smoke, or darkness. The Bright Challenge evaluated all-weather building damage mapping from a submeter-resolution pre-event optical image and a post-event SAR image. Participants were required to detect and delineate each building and assign exactly one of three mutually exclusive damage labels. The challenge extended the globally distributed \textsc{Bright} dataset with instance-level annotations for about 291,000 buildings across 16 disaster events spanning seven disaster types. The final phase was evaluated exclusively on two 2025 events absent from training: a wildfire event in California and a hurricane in Jamaica. A total of 157 participants made 1,289 submissions, and 46 teams entered the final phase. The two winning solutions achieved test mAPs of 0.182 and 0.181, approximately 8.7 times the public baseline of 0.021, but remained far below the best in-domain holdout score of 0.513. Across teams ranked in both phases, performance declined sharply and the rank order changed substantially. The two leading solutions independently favored modality-specific encoding, staged or late optical--SAR fusion, and an optical-dominant separation of building localization from damage recognition. The winning method additionally used scene-aware threshold adjustment and pseudo-label adaptation. These results identify cross-event generalization and stable severity discrimination as the principal remaining challenges. All data, annotations, baseline code, and winning solutions are publicly available at https://github.com/ChenHongruixuan/BRIGHT.
• Abstract（参考訳）: 急激な災害後の対応には、建物が無傷のままか、損傷するか、破壊されるかについてのビルレベルの情報をタイムリーに要求する。 しかし、露光後の光学画像は、雲、煙、暗さのために利用できない可能性がある。 Bright Challengeは、サブメートル解像度のプレイベント光学画像とポストイベントSAR画像から全天候の建物損傷マッピングを評価した。 参加者は各建物を検知し、デライン化し、相互に排他的な3つの損傷ラベルのうちの1つを正確に割り当てる必要があった。 この課題は、グローバルに分散された \textsc{Bright} データセットを拡張し、7つの災害タイプにまたがる16の災害イベントにわたる、約291,000の建物に対するインスタンスレベルのアノテーションを提供する。 最終段階は、カリフォルニアの山火事イベントとジャマイカのハリケーンという、訓練を欠席した2つの2025年イベントに限定して評価された。 157人の参加者が1,289の応募を行い、46チームが決勝に進出した。 勝利した2つのソリューションは、0.182と0.181のmAP(公的なベースラインの0.021の約8.7倍)を達成したが、ドメイン内の最高のホールドアウトスコア0.513よりもはるかに低かった。 両フェーズにランクインしたチーム全体では、パフォーマンスは急激に低下し、順位は大幅に変化した。 2つの主要なソリューションは、モード比エンコーディング、ステージドまたはレイト光-SAR融合、および損傷認識からの建物局所化の光学的優位な分離を独立に好んだ。 入賞方法はシーン認識しきい値調整と擬似ラベル適応を併用した。 これらの結果から,クロスイベントの一般化と安定度判別が主要な課題であることがわかった。 すべてのデータ、アノテーション、ベースラインコードはhttps://github.com/ChenHongruixuan/BRIGHTで公開されている。

関連論文リスト

• Damage-TriageFormer: A Foundation-Model Framework for Typology-Based Building Damage Assessment from Mono-Temporal Imagery [7.078080152361472]
  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。
  論文  参考訳（メタデータ） (2026-06-10T15:50:54Z)
• Robust Deepfake Detection, NTIRE 2026 Challenge: Report [90.4435687885396]
  本報告では, NTIRE 2026 Robust Deepfake Detection Challengeについて述べる。 トップのソリューションは、このようなオーバーフィットを検出するためにプライベートテストセットで得点されました。 最上位の手法は、一般性と堅牢性を組み合わせるために、大規模な基礎モデル、アンサンブル、劣化訓練に依存している。
  論文  参考訳（メタデータ） (2026-04-27T08:19:53Z)
• NTIRE 2026 Rip Current Detection and Segmentation (RipDetSeg) Challenge Report [56.71155440372922]
  リップ流は、世界中の海浜で多くの死者を生んでいる危険な近海流である。 この課題は、RipVISベンチマークに基づいて、検出とセグメンテーションの両方を評価する。 本報告では,データセット,課題プロトコル,評価手法,最終結果について述べるとともに,提案手法の主な知見を要約する。
  論文  参考訳（メタデータ） (2026-04-18T17:09:52Z)
• NTIRE 2026 The Second Challenge on Day and Night Raindrop Removal for Dual-Focused Images: Methods and Results [217.29820183896334]
  本稿では,NTIRE 2026第2回昼夜降雨除去チャレンジの概要について述べる。 この課題の第一の目的は、様々な照明と焦点条件の下で雨滴を除去するための強力で実用的なベンチマークを確立することである。 合計168チームが競技に登録し、17チームがテストフェーズの有効な最終ソリューションとファクトシートを提出した。
  論文  参考訳（メタデータ） (2026-04-12T13:22:23Z)
• 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)
• 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)
• Rapid building damage assessment workflow: An implementation for the 2023 Rolling Fork, Mississippi tornado event [4.08156787395201]
  本稿では,自然災害後の建物被害評価モデルを迅速に訓練するためのヒューマン・イン・ザ・ループ・ワークフローを提案する。 この記事では、2023年3月にミシシッピ州ローリングフォークで行われた竜巻イベントにおいて、アメリカ赤十字社と共同で実施されたこのワークフローを使用したケーススタディについて説明する。 提案手法の精度は0.86, 損傷建物は0.80であった。
  論文  参考訳（メタデータ） (2023-06-21T22:01:12Z)
• Synthetic Image Augmentation for Damage Region Segmentation using Conditional GAN with Structure Edge [0.0]
  画像から画像への変換マッピングを用いて、損傷画像を生成する合成拡張手法を提案する。 我々は,FCN-8s,SegNet,DeepLabv3+Xception-v2などの画素ごとのセグメンテーションアルゴリズムを適用した。 合成拡張法で加算されたデータセットの再トレーニングは、平均IoU、興味の損傷領域IoU、精度、リコール、BFスコアに基づいて、テスト画像の予測時に精度が高くなることを示した。
  論文  参考訳（メタデータ） (2020-05-07T06:04:02Z)
• 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。