論文の概要: Keep Your Friends Close, and the Right Neighbours Closer: Disaster-Conditioned Kernel-Regularized Graph Attention for Building Damage Classification

• arxiv url: http://arxiv.org/abs/2608.20548v1
• Date: Thu, 20 Aug 2026 20:20:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.209313
• Title: Keep Your Friends Close, and the Right Neighbours Closer: Disaster-Conditioned Kernel-Regularized Graph Attention for Building Damage Classification
• Title（参考訳）: 災害対応のカーネル正規化グラフアテンションによる建物被害分類
• Abstract要約: 損傷分類における空間的文脈の利用は、驚くほど過小評価されている。 洪水、ハリケーン、山火事は、非常に異なるクラスタリング行動を示す可能性がある。 制御された局所化後, 分類のみのセットアップにおいて, この緊張関係をxBDで研究する。
• 参考スコア（独自算出の注目度）: 0.9668407688201359
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Disaster damage is spatial: buildings rarely fail in isolation. Yet using spatial context for damage classification remains surprisingly underexplored, and many pipelines still rely primarily on per-building appearance cues even when the dominant uncertainty is spatially structured. Complicating matters, the right neighbourhood is not the same across events. Floods, hurricanes, and wildfires can exhibit very different clustering behaviour, making spatial reasoning valuable but easy to misuse - naive context aggregation can improve visual coherence while oversmoothing boundaries or propagating structured errors. We study this tension on xBD (the dataset used in the xView2 challenge) in a controlled post-localization, classification-only setup: each building is represented by a pre/post combined (PPC) patch cropped from the provided polygons, and spatial context is modelled with GPS-derived building graphs. Our approach keeps local evidence "close" by preserving strong spatial relationships in disaster damage patterns, while bringing only the right neighbours "closer" through a disaster-type-conditioned graph model that injects a learnable multi-scale spatial kernel prior into attention, allowing the effective neighbourhood scale to adapt across disaster types rather than being learned as a single global smoothing rule. To discourage coherence-by-smoothing, we add a residual de-correlation loss that penalizes positive Moran's~I in prediction residuals. We evaluate the method under event and dataset shift with a leave-one-event-out (LOEO) protocol on xBD and cross-dataset transfer from xBD to Ida-BD. The model improves macro-F1 and substantially reduces residual spatial autocorrelation under zero-shot event shift, indicating better use of spatial context rather than naive smoothing and enabling more reliable transfer to unseen events within known disaster types.
• Abstract（参考訳）: 災害被害は空間的であり、建物が孤立して失敗することは滅多にない。 しかし、損傷分類における空間的文脈の使用は驚くほど過小評価されており、多くのパイプラインは、支配的な不確実性が空間的に構造化されている場合でも、建築ごとの外観に大きく依存している。 複雑な事柄では、イベント全体において右隣は同一ではない。 洪水、ハリケーン、山火事は、非常に異なるクラスタリングの振る舞いを示し、空間的推論に価値があるが、誤用しやすい。 制御後局所化におけるxBD(xView2チャレンジで使用されるデータセット)上のこの張力について検討し、各建物をポリゴンから抽出したプレ/ポストコンバインド(PPC)パッチで表現し、空間コンテキストをGPS由来のビルディンググラフでモデル化する。 提案手法は,災害被害パターンの強い空間関係を保ちながら,学習可能なマルチスケール空間カーネルを事前に注入した災害型条件付きグラフモデルにより,被災地のみを「閉鎖」し,一つのグローバルな平滑化ルールとして学習されるのではなく,災害タイプ全体にわたって効果的な近隣スケールを適応させることによって,地域的証拠を「閉鎖」する。 コヒーレンス・バイ・スムーシングを阻止するために、予測残差において正のモラン=Iをペナル化する残差デコレーション損失を加える。 我々は,xBD上でのLeft-one-event-out(LOEO)プロトコルと,xBDからIda-BDへのクロスデータセット転送を用いて,イベントおよびデータセットシフト時の手法を評価する。 このモデルはマクロF1を改善し、ゼロショットイベントシフトによる残留空間自己相関を著しく低減し、スムースな平滑化よりも空間コンテキストの使い勝手を向上し、既知の災害タイプ内の未確認事象へのより信頼性の高い転送を可能にする。

関連論文リスト

• Inferring Urban Mobility Interactions from Aggregated Dynamics [45.73534370352232]
  リアルタイムの都市ガバナンスは、人々がどこにいるかを知るだけでなく、場所間の移動方法にも依存します。 ここでは、この方向構造を観察する必要はないことを示す。 我々は、米国と中国の都市から12のモビリティデータセットにまたがって、地域レベルでのODフローを推測する。
  論文  参考訳（メタデータ） (2026-09-07T11:13:51Z)
• Active Adversarial Perturbation-driven Associative Memory Retrieval for RGB-Event Visual Object Tracking [58.338848435042536]
  RGB-Eventトラッキングは、イベントセンサからRGB外観テクスチャと高密度時間運動キューを融合することにより、ローカライズを改善する。 現実世界のシーンは、従来のマルチモーダル融合を妨げる多様な構造的な信号劣化に悩まされる。 本稿では,RGBイベント追跡に適した階層的摂動・検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-24T23:34:06Z)
• Task-Aware Environment Augmentation for Reliable Navigation via Shielded Conditional Diffusion [4.265905616031847]
  tbpSCoDAは、高速なフィデューシャルレイアウト上の条件分布をデータから学習する。 tbpSCoDAは,強いベースライン上での軌道実行の信頼性と完了時間を改善する。
  論文  参考訳（メタデータ） (2026-06-13T06:49:36Z)
• OcclusionFormer: Arranging Z-Order for Layout-Grounded Image Generation [49.49933361280724]
  OcclusionFormerは、インスタンスを分離することで、Zオーダーの優先順位を明示的にモデル化する新しいフレームワークです。 また、個別のインスタンスを明示的に監視し、セマンティックな一貫性を高めるクエリアライメント損失を導入します。 提案手法は,重なり合う領域の曖昧さを効果的に低減し,正しい閉塞依存性を強制し,構造的整合性を保ち,様々な場面で精度の高い向上をもたらす。
  論文  参考訳（メタデータ） (2026-05-20T16:10:44Z)
• Fine-grained Spatio-temporal Event Prediction with Self-adaptive Anchor Graph [8.435985634889285]
  本稿では,詳細な事象予測のためのグラフ時空間点(GSTPP)モデルを提案する。 エンコーダ・コーダアーキテクチャを採用し、空間的局所化領域の状態ダイナミクスを共同でモデル化する。 提案したGSTPPモデルは,微細なイベント予測の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-01-15T08:38:07Z)
• LISA: Learning-Integrated Space Partitioning Framework for Traffic Accident Forecasting on Heterogeneous Spatiotemporal Data [14.726248469735971]
  交通事故の予測は、インテリジェントな交通管理と緊急対応システムにとって重要な課題である。 既存のデータ駆動手法では、異なるスケールの空間上の異種事故パターンを処理できない。 本稿では,モデルの学習中に分割を同時に学習するLearning-Integrated Space Partition Framework(LISA)を提案する。
  論文  参考訳（メタデータ） (2024-12-19T19:52:19Z)
• Typhoon Intensity Prediction with Vision Transformer [51.84456610977905]
  台風強度を正確に予測するために「台風強度変換器(Tint)」を導入する。 Tintは、層ごとにグローバルな受容野を持つ自己認識機構を使用する。 公開されている台風ベンチマークの実験は、Tintの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-28T03:11:33Z)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• SARN: Structurally-Aware Recurrent Network for Spatio-Temporal Disaggregation [8.636014676778682]
  オープンデータは、通常プライバシーポリシーに従うために、しばしば空間的に集約される。しかし、粗い、異質な集約は、下流のAI/MLシステムに対する一貫性のある学習と統合を複雑にする。 本稿では,空間的注意層をGRU(Gated Recurrent Unit)モデルに統合したSARN(Structurely-Aware Recurrent Network)を提案する。 履歴学習データに制限のあるシナリオでは、ある都市変数に事前学習したモデルを、数百のサンプルのみを用いて、他の都市変数に対して微調整できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T21:01:29Z)
• Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
  より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。 我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
  論文  参考訳（メタデータ） (2022-06-14T09:40:17Z)
• Towards Cross-Disaster Building Damage Assessment with Graph Convolutional Networks [1.9087335681007478]
  災害の余波において, 建物被害マップを変更検出を用いて取得し, 救助活動の計画を立てる。 現在の畳み込みニューラルネットワークアプローチは、損傷を予測するために隣接する建物間の類似性を考慮していない。 本稿では,これらの関係を捉えた新しい建物損傷検出手法を提案する。
  論文  参考訳（メタデータ） (2022-01-25T15:25:21Z)
• 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。