論文の概要: Rapid Debris-Volume Estimation from Post-Hurricane Aerial Imagery

• arxiv url: http://arxiv.org/abs/2608.17165v1
• Date: Mon, 17 Aug 2026 22:06:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.1401
• Title: Rapid Debris-Volume Estimation from Post-Hurricane Aerial Imagery
• Title（参考訳）: ハリケーン後の航空画像からの高速デブリ量推定
• Abstract要約: DebrisHeightNetはセグメンテーション条件のモノクルデブリ-ハイトネットワークである。 空撮後のRGB画像の1つのパスから空間的に明らかな破片の体積を推定する。 配備にはLiDARも地上アクセスも2度目の飛行も必要ない。
• 参考スコア（独自算出の注目度）: 8.676289365938281
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hurricane debris removal is planned, contracted, and federally reimbursed on the basis of volume estimates, yet operational practice still relies on parametric forecasts with 41-90% documented over-estimation or on truck-load tallies that arrive only after hauling begins. We present DebrisHeightNet, a segmentation-conditioned monocular debris-height network that estimates spatially explicit debris volume from a single pass of post-event aerial RGB imagery, the kind of survey routinely flown within days of a hurricane landfall. We train only a lightweight 1.08 M-parameter head on top of two frozen vision foundation models. This head regresses height from a Depth Anything V2 backbone, conditioned on the debris segmentation of CLIPSeg-debris from our prior work. Because no post-hurricane debris-height ground truth exists, we synthesize the training target by confidence-weighted LiDAR-monocular fusion (CW-LMF), designed to suppress non-debris LiDAR returns. This fused target is a constructed supervision signal rather than ground truth, so we corroborate it against external references rather than claiming it as truth. A region-level power-law calibration, driven by each region's low-density debris fraction, converts model volume into an estimate of the reported hauled debris with quantified uncertainty. Across ten regions spanning five hurricanes and three states, the uncalibrated model agrees with an independent uncrewed-aerial-vehicle (UAV) survey of the training region at Spearman $ρ= 0.87$ and lands within 30% of the reported record where the Hazus and FEMA-hybrid parametric forecasts over-predict it by 2.7-4.8$\times$. Deployment requires no LiDAR, no ground access, and no second flight, so the method can produce spatially explicit volume estimates wherever single-pass post-event imagery is flown.
• Abstract（参考訳）: ハリケーンの残骸の除去は、体積推定に基づいて計画され、契約され、連邦政府によって再納されるが、運用は依然として41-90%の過大評価のパラメトリック予測や、輸送開始後のみ到着するトラックの積載量に頼っている。 DebrisHeightNetというセグメンテーション条件のモノクラーデブリ・ハイト・ネットワークは,1回の空中RGB画像から空間的に鮮明なデブリ量を推定する。 私たちは2つの凍結した視覚基盤モデルの上に、軽量の1.08Mパラメーターヘッドのみをトレーニングします。 この頭は、我々の以前の研究からCLIPSeg-debrisの破片のセグメンテーションを条件に、Depth Anything V2のバックボーンから高さを後退させる。 ハリケーン後の破片・地中真実は存在しないため、信頼性重み付けLiDAR-monocular fusion (CW-LMF) によりトレーニングターゲットを合成し、非劣化LiDARの帰還を抑制する。 この融合ターゲットは、地上の真実ではなく構築された監視信号なので、真実として主張するのではなく、外部の参照と相関する。 各領域の低密度デブリ分率によって駆動される地域レベルのパワーローキャリブレーションは、モデル体積を定量化された不確実性のある報告された荷積みデブリの見積もりに変換する。 5つのハリケーンと3つの州にまたがる10の地域にわたって、未分類のモデルでは、Spearman $ρ=0.87$での訓練領域の調査と、HazusとFEMA-hybridのパラメトリック予測が2.7-4.8$\times$で過剰に予測される報告された記録の30%以内の土地で一致している。 展開にはLiDARを必要とせず、地上アクセスも必要とせず、2回目の飛行も必要としないため、単一パス後画像が流れる場合、空間的に明示的なボリューム推定を作成できる。

関連論文リスト

• FlowATC: Aircraft Trajectory Prediction via Flow Matching [39.046509366232065]
  本稿では,航路ラベルやチャート管理を伴わない,歴史的航空機軌道に特化して訓練されたフローマッチングアーキテクチャを提案する。 我々のモデルは、ネイティブで不規則なADS-Bサンプリング間隔で直接訓練される。 予測地平線により誤差は良好に低下し, 時間的劣化フィードで再トレーニングした場合, アーキテクチャが有効であることを示す。
  論文  参考訳（メタデータ） (2026-09-15T02:21:06Z)
• Map the Possibilities: Spatial Belief Fields for Language-Goal Aerial Navigation [49.03955946482723]
  SBFNavは、言語条件付き空間的信念場を中心としたクローズドループナビゲーションフレームワークである。 主に観測されたことを記録しているエゴ中心の地図とは異なり、SBFレポジトリ-はタスク条件付き分布を可視な目標位置上で再送する。 SBFNavは、制御のためのメットリックなウェイポイントとして、命令と観察に最も適したゴールを選択する。
  論文  参考訳（メタデータ） (2026-09-05T03:11:01Z)
• DELUGE: Towards Continental-Scale Daily Pluvial Flood Damage Prediction via Interpretable Conditioning on Foundation Model Embeddings [19.819705029025908]
  アメリカ合衆国におけるNFIP(National Flood Insurance Program)の45%を占める。 本報告では, 日中多変量洪水被害予測のための多モード深層学習フレームワークであるDELUGEについて, 1kmの分解能と全国規模で紹介する。
  論文  参考訳（メタデータ） (2026-07-17T15:27:47Z)
• Air Quality Downscaling with Station-Guided Pseudo-Supervision [60.31045749983062]
  局所PM$_2.5$変動に対する高分解性粗大大気場は空間的支持のミスマッチによって一意に挑戦される。 ヨーロッパにおける高分解能PM$_2.5$ダウンスケールのためのステーション誘導フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-06T16:32:25Z)
• 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)
• Seeing Where to Deploy: Metric RGB-Based Traversability Analysis for Aerial-to-Ground Hidden Space Inspection [48.120690574682875]
  本稿では,RGBを用いた幾何学的意味的再構成と,空中から地上への隠れ空間検査のためのトラベル可能性解析フレームワークを提案する。 テザリングされたUAV-UGVプラットフォームでの実験では、隠れた空間シナリオにおける信頼性の高いデプロイメントゾーンの識別が示されている。
  論文  参考訳（メタデータ） (2026-03-15T22:20:59Z)
• Forest canopy height estimation from satellite RGB imagery using large-scale airborne LiDAR-derived training data and monocular depth estimation [2.3321503459324915]
  大規模で高解像度の森林天蓋高マッピングは、地域的およびグローバルな炭素・水循環を理解する上で重要な役割を担っている。 地表近傍のLiDARプラットフォームは、森林の天蓋構造のより微細な測定を提供する。 最先端の単眼深度推定モデルであるDepth Anything V2は16,000km2の天蓋高さモデルを用いて訓練された。
  論文  参考訳（メタデータ） (2026-02-06T08:53:32Z)
• 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)
• OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
  本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。 我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。 意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-14T18:58:52Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Reentry Risk and Safety Assessment of Spacecraft Debris Based on Machine Learning [8.671030148920009]
  宇宙機デブリ着陸地点の速度, 経度, 緯度を予測するために, 3つの機械学習モデルを導入する。 我々は、再突入リスクと危険度を定義し、各宇宙船の残骸の危険度を算出し、それに応じて警告を行う。 実験の結果,提案手法は,少なくとも15秒で高精度な予測結果を得ることができ,よりリアルタイムに安全レベルの警告を行うことができることがわかった。
  論文  参考訳（メタデータ） (2023-02-21T08:55:31Z)
• LiDAR Snowfall Simulation for Robust 3D Object Detection [116.10039516404743]
  そこで本研究では,降雪の影響をシミュレーションする物理的手法を提案する。 本手法では,LiDARの各線に対して2次元空間の雪粒子をサンプリングし,誘導幾何を用いて各LiDAR線の測定を修正した。 我々はシミュレーションを用いて、部分的に合成された雪のLiDARデータを生成し、これらのデータを利用して、降雪に頑健な3次元物体検出モデルを訓練する。
  論文  参考訳（メタデータ） (2022-03-28T21:48:26Z)

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。