論文の概要: Adaptive Sampling for Automated Post-Disaster Rapid Damage Assessment via Level-Set Cost-Aware Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2608.02868v1
• Date: Mon, 03 Aug 2026 20:38:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.943199
• Title: Adaptive Sampling for Automated Post-Disaster Rapid Damage Assessment via Level-Set Cost-Aware Bayesian Optimization
• Title（参考訳）: レベルセットコストを考慮したベイズ最適化による自動障害後早期損傷評価のための適応サンプリング
• Abstract要約: 自然災害はしばしば建設環境に深刻な被害を与え、緊急対応のために迅速で信頼性があり、費用対効果の高い被害評価を必要とする。 災害後の被害評価の伝統的な方法は、しばしば静的で労働集約的なデータ収集戦略に依存しており、費用は禁じられ、災害後の動的な状況に適応するのに苦労する。 本稿では,無人航空機 (UAV) などの自律型データ収集機を最も情報性の高い地域へ継続的に誘導する,コストを意識したベイズ最適化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.960560352539577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Natural disasters frequently inflict severe damage to the built environment, which demands a rapid, reliable, and cost-effective damage assessment for emergency response. However, traditional methods for post-disaster damage assessment often rely on static, labor-intensive data collection strategies that can be prohibitively expensive and struggle to adapt to dynamic post-disaster conditions. In this study, we propose a cost-aware Bayesian optimization framework combined with level-set estimation that continuously guides autonomous data collectors, e.g., an unmanned aerial vehicle (UAV), toward the most informative regions. By dynamically updating damage estimates across different geographic zones, our approach systematically reduces uncertainty while minimizing operational costs. The proposed framework is first validated using a controlled synthetic toy study, demonstrating the agent's ability to efficiently trace damage boundaries, recover the underlying damage map, and rapidly reduce predictive uncertainty. Furthermore, the approach is evaluated using high-fidelity disaster data generated by the Regional Resilience Determination (R2D) software. The results of the algorithm provide accurate and timely damage estimates that support informative and fast emergency response.
• Abstract（参考訳）: 自然災害はしばしば建設環境に深刻な被害を与え、緊急対応のために迅速で信頼性があり、費用対効果の高い被害評価を必要とする。 しかしながら、災害後の被害評価の伝統的な方法は、しばしば静的で労働集約的なデータ収集戦略に依存しており、費用は禁じられ、災害後の動的な状況に適応するのに苦労する。 本研究では,無人航空機 (UAV) などの自律型データ収集機を最も情報性の高い領域へ継続的に誘導する,コストを意識したベイズ最適化フレームワークを提案する。 異なる地域間での損傷推定を動的に更新することにより,運用コストを最小化しながら,系統的に不確実性を低減できる。 提案手法はまず, 制御された合成玩具を用いて評価され, 損傷境界を効率的に追跡し, 基礎となる損傷マップを復元し, 予測の不確実性を迅速に低減できることを示した。 さらに,地域レジリエンス決定(R2D)ソフトウェアによって生成された高忠実度災害データを用いて,本手法の評価を行った。 アルゴリズムの結果は、情報的および迅速な緊急応答をサポートする正確でタイムリーな損傷推定を提供する。

関連論文リスト

• Multi-Modal Attention for Automated Disaster Damage Assessment Using Remote Sensing Imagery and Deep Learning [0.3186130813218338]
  本稿では,リモートセンシング画像とディープラーニングを利用して建物損傷分類を自動化する新しいフレームワークを提案する。 災害前の衛星画像を用いて建物を4つの被害レベル(損傷なし、損傷軽微、大きな損傷なし、破壊なし)に分類した。 我々は軽量なConvNeXT-Tinyバックボーンを用いて、性能を損なうことなく効率的な処理を実現する。
  論文  参考訳（メタデータ） (2026-06-12T21:11:53Z)
• WMAttack: Automated Attack Search for Adversarial Evaluation of World-Model Agents [53.84430233754606]
  WMAttackは、世界モデルエージェントの敵意評価のための自動攻撃探索フレームワークである。 WMAttackは攻撃構成に対する有限予算探索としてロバストネス評価を定式化する。 WMAttackは評価ベースラインよりも強力な攻撃を継続的に発見することを示す。
  論文  参考訳（メタデータ） (2026-05-22T04:31:09Z)
• Structural Damage Detection Using AI Super Resolution and Visual Language Model [0.0]
  本研究では,空飛ぶドローン映像,高度なAIベースビデオ超解像モデル,ビデオ再生変換器(VRT),および27億パラメータビジュアル言語モデル(VLM)であるGemma3:27bを活用する,費用対効果の高い新しいフレームワークを提案する。 この統合システムは、低解像度の災害映像を改善し、構造的損傷を特定し、建物を4つの損傷カテゴリーに分類するように設計されている。 このフレームワークは84.5%の精度を達成し、非常に正確な結果を提供する能力を示した。
  論文  参考訳（メタデータ） (2025-08-23T20:12:06Z)
• Cost-Optimal Active AI Model Evaluation [71.2069549142394]
  生成AIシステムの開発には、継続的な評価、データ取得、アノテーションが必要である。 我々は、安価だがしばしば不正確で弱いレーダの使用を積極的にバランスさせる新しいコスト認識手法を開発した。 我々は、弱者と強者の間で所定のアノテーション予算を割り当てるためのコスト最適化政策のファミリーを導出する。
  論文  参考訳（メタデータ） (2025-06-09T17:14:41Z)
• UAV-Assisted Real-Time Disaster Detection Using Optimized Transformer Model [29.875425833515973]
  本研究は,航空機上での航空画像処理により,適切な,リアルタイムな災害検出を実現することに焦点を当てる。 提案手法は,災害検知のためのUAV支援エッジ・フレームワークで,実時間航空画像分類に最適化されたモデルを活用することを提案する。 我々は、UAVや個人が現場で捉えた災害シーンを特徴とする新しいデータセット、DermaEyeを構築した。
  論文  参考訳（メタデータ） (2025-01-21T12:29:45Z)
• Towards Efficient Disaster Response via Cost-effective Unbiased Class Rate Estimation through Neyman Allocation Stratified Sampling Active Learning [11.697034536189094]
  本稿では,二分分類のためのランダムサンプリング木を構築する革新的なアルゴリズムを提案する。 その結果,本手法は受動的および従来の能動的学習手法を超越していることが判明した。 従来のアクティブな学習戦略における「サンプルバイアス」の課題に効果的に対処する。
  論文  参考訳（メタデータ） (2024-05-28T01:34:35Z)
• 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)
• Interpretability in Convolutional Neural Networks for Building Damage Classification in Satellite Imagery [0.0]
  我々は、プレサスタ衛星画像とポストサスタ衛星画像とをラベル付けしたデータセットを使用して、建物ごとの損傷を評価する。 複数の畳み込みニューラルネットワーク(CNN)をトレーニングし、建物ごとの損傷を評価する。 我々の研究は、人為的気候変動による人道的危機の進行に、計算的に貢献することを目指している。
  論文  参考訳（メタデータ） (2022-01-24T16:55:56Z)
• A Simple Fine-tuning Is All You Need: Towards Robust Deep Learning Via Adversarial Fine-tuning [90.44219200633286]
  我々は,$textitslow start, fast decay$ learning rate schedulingストラテジーに基づく,単純かつ非常に効果的な敵の微調整手法を提案する。 実験の結果,提案手法はCIFAR-10, CIFAR-100, ImageNetデータセットの最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-25T20:50:15Z)
• 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)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。