Fugu-MT 論文翻訳(概要): GeBDA: Building Damage Assessment as Text-Based Sequence Prediction

論文の概要: GeBDA: Building Damage Assessment as Text-Based Sequence Prediction

arxiv url: http://arxiv.org/abs/2608.28567v1
Date: Fri, 28 Aug 2026 17:44:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-31 17:16:04.424168
Title: GeBDA: Building Damage Assessment as Text-Based Sequence Prediction
Title（参考訳）: GeBDA:テキストベースシーケンス予測による建物被害評価
Abstract要約: ビル被害評価(BDA)は、専用ネットワークアーキテクチャか、微調整された地理空間画像基盤モデルによって取り組まれている。本研究では, 汎用視覚言語モデル(VLM)が, 自己回帰シーケンス生成だけで建物をローカライズし, 損傷を評価できるかどうかを問う。
参考スコア（独自算出の注目度）: 20.804718264064512
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Conventionally, Building Damage Assessment (BDA) is tackled either with dedicated network architectures or by fine-tuning geospatial image foundation models. In this work, we ask whether a general-purpose Vision-Language Model (VLM) can localize buildings and grade their damage through autoregressive sequence generation alone. We cast BDA as predicting a variable-length set of bounding boxes, each specified by its coordinates and a damage label. Our preliminary implementation, based on the open Gemma model, achieves promising damage mapping results from only bi-temporal satellite images and a suitable text prompt.
Abstract（参考訳）: 伝統的に、ビル被害評価(BDA)は、専用のネットワークアーキテクチャか、微調整された地理空間画像基盤モデルによって取り組まれている。本研究では, 汎用視覚言語モデル(VLM)が, 自己回帰シーケンス生成だけで建物をローカライズし, 損傷を評価できるかどうかを問う。我々は,BDAを,その座標と損傷ラベルによって指定された有界箱の可変長集合の予測として用いた。オープンなGemmaモデルに基づく予備実装では、両時間衛星画像と適切なテキストプロンプトのみから有望な損傷マッピング結果が得られる。

関連論文リスト

Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
論文参考訳（メタデータ） (2026-08-20T13:59:57Z)
Assessing the Benefits of Combining Advanced Deep Learning Techniques for Post-Disaster Building Damage Assessment from UAV Imagery [3.016488960368601]
本稿では,損傷評価から検出を分離するハイブリッドフレームワークを提案する。 CVモデルはまず建物を検知し、画像上の境界ボックスを生成し、損傷分類と文脈解釈のためにLVLMに渡される。我々はRescueNetとFloodNetの2つの実世界のベンチマークでフレームワークを評価した。
論文参考訳（メタデータ） (2026-08-03T08:39:59Z)
Where, What, Why, and Importance: Structured Defect Grounding for Text-to-Image Feedback [51.08692072066352]
テキスト・トゥ・イメージ(T2I)モデルは依然として局所的で微妙で構造的に複雑な失敗を示す。構造的欠陥接地は, 各欠陥を位置, タイプ, 理由, 重要性としてモデル化し, 構造的集合予測としてT2Iの診断を行う。我々の検出器は、構造欠陥接地におけるプロプライエタリなVLMよりも優れています。
論文参考訳（メタデータ） (2026-06-04T13:03:16Z)
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)
Learning Efficient Unsupervised Satellite Image-based Building Damage Detection [43.06758527206676]
建物被害検出(BDD)手法は, 常に, 建物とその条件に対する, 労働集約的なピクセルレベルのアノテーションを必要とする。本稿では,未解決の衛星画像ペアのみを提供するU-BDDの挑戦的かつ実践的なシナリオについて検討する。衛星画像に関連する領域固有の問題に対処することで、U-BDDベースラインを改善する、新しい自己教師型フレームワークU-BDD++を提案する。
論文参考訳（メタデータ） (2023-12-04T02:20:35Z)
BDANet: Multiscale Convolutional Neural Network with Cross-directional Attention for Building Damage Assessment from Satellite Images [24.989412626461213]
衛星画像からの損傷評価は、救援活動が展開される前に重要となる。深いニューラルネットワークは建物の損傷評価に首尾よく適用されました。本稿では,bdanetと呼ばれる損傷評価のための2段階畳み込みニューラルネットワークを提案する。
論文参考訳（メタデータ） (2021-05-16T06:13:28Z)
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)
MSNet: A Multilevel Instance Segmentation Network for Natural Disaster Damage Assessment in Aerial Videos [74.22132693931145]
本研究では, ハリケーン, 洪水, 火災などの自然災害後の建物被害を効率的に評価する課題について検討する。最初のコントリビューションは、ソーシャルメディアからユーザ生成された空中ビデオと、インスタンスレベルのビルディング損傷マスクのアノテーションで構成される、新しいデータセットである。第二のコントリビューションはMSNetと呼ばれる新しいモデルで、新しい領域の提案ネットワーク設計を含んでいる。
論文参考訳（メタデータ） (2020-06-30T02:23:05Z)
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。