論文の概要: DamageScope: Vision-Language Retrieval at Scale for Disaster Damage Assessment from Satellite Imagery
- arxiv url: http://arxiv.org/abs/2608.21529v1
- Date: Fri, 21 Aug 2026 18:09:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.254432
- Title: DamageScope: Vision-Language Retrieval at Scale for Disaster Damage Assessment from Satellite Imagery
- Title（参考訳）: 損傷スコープ:衛星画像による被害評価のための大規模視線検索
- Abstract要約: damageScopeは、衛星画像とVLM(Vision-Language Models)とLLM(Large Language Models)を組み合わせた検索拡張フレームワークである。
Retrieval-Augmented Generation (RAG) フレームワーク上に構築され、衛星画像から構造化された視覚的表現を抽出し、損傷評価のための対話型自然言語クエリをサポートする。
- 参考スコア（独自算出の注目度）: 6.514592086157328
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Timely and accurate assessment of property damage is critical following natural disasters. Traditional on-site inspections are labor-intensive, costly, and often pose safety risks. Advances in satellite imagery and vision-language models (VLMs) enable scalable remote damage assessment; however, integrating VLMs into large-scale Earth observation pipelines presents challenges in computational efficiency, data organization, and information retrieval. To address these challenges, we present DamageScope, a retrieval-augmented framework that combines satellite imagery with Vision-Language Models (VLMs) and Large Language Models (LLMs) to automate property damage analysis. Built on a Retrieval-Augmented Generation (RAG) framework, DamageScope extracts structured visual representations from satellite imagery to support interactive natural language queries for damage assessment. To address scalability, we introduce a novel multi-vector embedding-based clustering algorithm that outperforms traditional single-vector embedding approaches while reducing indexing time by up to 14x. Furthermore, a dual-store data architecture minimizes LLM API calls, reducing both operational cost and response latency by up to approximately 3x. By effectively balancing scalability and operational efficiency, DamageScope provides a robust and practical solution for real-world damage assessment tasks.
- Abstract（参考訳）: 自然災害後の被害のタイムリーかつ正確な評価が重要である。
伝統的な現場検査は労働集約的であり、コストがかかり、しばしば安全リスクを引き起こす。
衛星画像と視覚言語モデル(VLM)の進歩は、スケーラブルなリモート損傷評価を可能にするが、大規模な地球観測パイプラインにVLMを統合することで、計算効率、データ組織、情報検索の課題が提示される。
これらの課題に対処するために,衛星画像と視覚言語モデル(VLM)とLLM(Large Language Models)を組み合わせた検索拡張フレームワークであるAussionScopeを提案する。
Retrieval-Augmented Generation (RAG) フレームワーク上に構築され、衛星画像から構造化された視覚的表現を抽出し、損傷評価のための対話型自然言語クエリをサポートする。
拡張性に対処するため,従来の単一ベクトル埋め込み手法よりも高速で,インデックス処理時間を最大14倍に短縮する,新しいマルチベクトル埋め込みベースのクラスタリングアルゴリズムを提案する。
さらに、デュアルストアデータアーキテクチャはLLM API呼び出しを最小限にし、運用コストとレスポンスレイテンシを最大3倍に削減する。
スケーラビリティと運用効率を効果的にバランスさせることで、実際の損傷評価タスクに対して堅牢で実用的なソリューションを提供する。
関連論文リスト
- Optimizing Latent Representations for Robust Building Damage Assessment Onboard Earth Observation Satellites [0.0]
本稿では,衛星上での物体レベルの建物損傷評価(局所化と損傷分類)を可能にするAIベースのシステムを提案する。
利用可能なプレディザスター画像は地上でコンパクトな遅延表現に符号化され、衛星に送信され、新たに取得されたポストディザスターの観測と比較される。
本研究では,シム処理,クロスアテンション,ラテント空間圧縮,ロバストネス指向データ拡張の影響を解析し,車載互換性のある変種を体系的にベンチマークすることで,設計空間を探索する。
論文 参考訳（メタデータ） (2026-05-28T08:21:14Z) - Event-based SLAM Benchmark for High-Speed Maneuvers [68.148886127117]
イベントベースのカメラはバイオインスパイアされたセンサーで、独立して、マイクロ秒の解像度で明るさの変化に非同期に反応する。
既存のイベントベースのアプローチは、高速操作による動きのぼかしを緩和することに成功したが、多くの制限に悩まされた。
イベントベースの状態推定のためのベンチマークフレームワークであるEvSLAMを導入する。
論文 参考訳（メタデータ） (2026-04-27T04:36:41Z) - JFTA-Bench: Evaluate LLM's Ability of Tracking and Analyzing Malfunctions Using Fault Trees [64.57426735981902]
複雑なシステムのメンテナンスにおいて、障害木は問題を特定し、ターゲットとするソリューションを提供するために使用される。
画像として格納されたフォールトツリーを,大規模言語モデルで直接処理可能にするために,新しいフォールトツリーのテキスト表現を提案する。
複雑な環境におけるロバストな相互作用を強調するマルチターン対話システムのためのベンチマークを構築した。
論文 参考訳（メタデータ） (2026-03-24T09:13:43Z) - From Pixels to Semantics: A Multi-Stage AI Framework for Structural Damage Detection in Satellite Imagery [0.0]
本稿では,AIに基づく超解像,深層学習オブジェクト検出,視覚言語モデル(VLM)を統合し,建築被害の包括的評価を行う新しいフレームワークを提案する。
まず, 映像再生変換器(VRT)を用いて, 1024x1024 から 4096x4096 への高解像度化を行う。
参照不要なセマンティックアライメントのためにCLIPScoreを使用し、安全クリティカルな意思決定における個人のモデルバイアスを低減するためのマルチモデルVLM-as-a-Jury戦略を導入する。
論文 参考訳（メタデータ） (2026-03-24T03:50:41Z) - DisasterInsight: A Multimodal Benchmark for Function-Aware and Grounded Disaster Assessment [19.434058305975167]
DisasterInsightは、現実的な災害解析タスクの視覚言語モデル(VLM)を評価するために設計されたベンチマークである。
xBDデータセットを約112Kのビルディングセンタインスタンスに再構成する。
ビル機能分類、被害レベル、災害タイプ分類、数え上げ、人道的評価ガイドラインに沿った構造化されたレポート生成など、複数のタスクにわたるインストラクションの多様性評価をサポートする。
論文 参考訳（メタデータ） (2026-01-26T13:48:11Z) - Multiclass Post-Earthquake Building Assessment Integrating High-Resolution Optical and SAR Satellite Imagery, Ground Motion, and Soil Data with Transformers [0.0]
本研究では,地震後の高分解能衛星画像と構造物の耐震性能に関連する建築固有のメタデータを組み合わせたフレームワークを提案する。
2023年2月6日トルコ・シリア地震の建物群を対象とした多層地震後の被害同定において, 現状の成果が得られた。
論文 参考訳（メタデータ） (2024-12-05T23:19:51Z) - Efficient High-Resolution Visual Representation Learning with State Space Model for Human Pose Estimation [60.80423207808076]
高解像度の視覚表現を維持しながら長距離依存関係をキャプチャすることは、人間のポーズ推定のような密集した予測タスクに不可欠である。
マルチスケールの畳み込み操作で視覚状態空間モデルを拡張する動的ビジュアル状態空間(DVSS)ブロックを提案する。
HRVMambaは効率的な高分解能表現学習のための新しいモデルである。
論文 参考訳（メタデータ） (2024-10-04T06:19:29Z) - Towards Evaluating the Robustness of Visual State Space Models [63.14954591606638]
視覚状態空間モデル(VSSM)は視覚知覚タスクにおいて顕著な性能を示した。
しかし、自然と敵対的な摂動の下での頑丈さは依然として重要な懸念事項である。
様々な摂動シナリオ下でのVSSMの頑健さを総合的に評価する。
論文 参考訳（メタデータ） (2024-06-13T17:59:44Z) - 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) - 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) - An Attention-Based System for Damage Assessment Using Satellite Imagery [18.43310705820528]
本稿では,建物の損傷レベルを評価するため,Siam-U-Net-Attnモデルを提案する。
大規模建物被害評価データセットである xView2 上で提案手法の評価を行い,提案手法が正確な被害規模分類と建物分割を同時に達成できることを実証した。
論文 参考訳（メタデータ） (2020-04-14T16:37:55Z)
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。