論文の概要: RAPIDMap: Rapid Multi-Agent Pipeline for Interpretable Disaster Mapping from Satellite and Street-view Imagery

• arxiv url: http://arxiv.org/abs/2609.00046v2
• Date: Wed, 02 Sep 2026 03:10:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 15:35:44.747428
• Title: RAPIDMap: Rapid Multi-Agent Pipeline for Interpretable Disaster Mapping from Satellite and Street-view Imagery
• Title（参考訳）: RAPIDMap:衛星画像とストリートビュー画像から推定可能な災害地図作成のための高速マルチエージェントパイプライン
• Abstract要約: 本稿では,衛星画像とストリートビュー画像からのゼロショット解釈型災害マッピングのための高速マルチエージェントパイプラインを提案する。 このフレームワークは、災害認識エージェント(DPA)、画像復元エージェント(IRA)、災害認識エージェント(DRA)、災害マッピングエージェント(DMA)の4つのインテリジェントエージェントを統合している。
• 参考スコア（独自算出の注目度）: 12.043336815462299
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rapid and reliable disaster mapping of impacted areas, damaged infrastructure, and affected populations is essential for emergency response and recovery. However, existing AI-based approaches often require extensive manual annotation, lack cross-hazard generalization, and rely on single-modal observations. To address these challenges, this paper proposes RAPIDMap, a rapid multi-agent pipeline for zero-shot interpretable disaster mapping from satellite and street-view imagery. The framework integrates four intelligent agents: Disaster Perception Agent (DPA), Image Restoration Agent (IRA), Damage Recognition Agent (DRA), and Disaster Mapping Agent (DMA). By combining remote sensing and street-view data, RAPIDMap eliminates the need for manual fine-tuning, generalizes across multiple disaster categories, and generates structured, map-ready disaster intelligence with recovery recommendations.
• Abstract（参考訳）: 被災地, 被害インフラ, 被害人口の迅速かつ信頼性の高い災害マッピングは, 緊急対応と復旧に不可欠である。 しかし、既存のAIベースのアプローチは、広範囲な手動のアノテーション、クロスハザードの一般化の欠如、単一モードの観察に依存していることが多い。 これらの課題に対処するために、衛星画像とストリートビュー画像からのゼロショット解釈可能な災害マッピングのための高速マルチエージェントパイプラインであるRAPIDMapを提案する。 このフレームワークは、災害認識エージェント(DPA)、画像復元エージェント(IRA)、災害認識エージェント(DRA)、災害マッピングエージェント(DMA)の4つのインテリジェントエージェントを統合している。 リモートセンシングとストリートビューデータを組み合わせることで、RAPIDMapは手作業による微調整の必要性を排除し、複数の災害カテゴリをまたがって一般化し、再構成されたマップ対応の災害情報とリカバリレコメンデーションを生成する。

関連論文リスト

• RAPID: A Reproducible Multi-Agent Pipeline for Interpretable Disaster Damage Assessment from Satellite and Street-View Imagery [22.976017696905092]
  RAPIDは、再現可能な多エージェントパイプラインで、災害被害評価を解釈できる。 クロスビュー理解、画像復元、構造化損傷認識、地理的推論を行うために、特殊エージェントを調整する。 微粒で解釈可能なアセスメントを生成し、位置特異的で意思決定に関連のある災害レポートを自動的に生成する。
  論文  参考訳（メタデータ） (2026-06-20T01:05:44Z)
• 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)
• Smart Transfer: Leveraging Vision Foundation Model for Rapid Building Damage Mapping with Post-Earthquake VHR Imagery [26.925877970467663]
  伝統的災害被害調査は、異なる都市形態と新しい災害事象にまたがる一般化に失敗する。 本稿では,地震後の超高分解能(VHR)画像を用いた建物損傷の迅速マッピングのための新しいGeoAIフレームワークであるSmart Transferを紹介する。 2023年のトゥルカイ・シリア地震の実験と改善は、複数のクロスリージョン転送環境で有望な性能を示した。
  論文  参考訳（メタデータ） (2026-04-03T01:35:52Z)
• RAPTOR-AI for Disaster OODA Loop: Hierarchical Multimodal RAG with Experience-Driven Agentic Decision-Making [0.0]
  本研究は, 災害対応の3段階, 初期救助, 中期復旧, 長期復興を支援するために設計されたエージェント型検索・拡張生成フレームワークを紹介する。 頑健なマルチモーダルグラウンドを実現するために,テキスト災害マニュアル,歴史的教訓,航空・地上レベルの画像を統合した階層的知識基盤を構築した。 提案システムは,BLIPベースの画像キャプション,ColVBERT埋め込み,長文要約を用いて,46の津波関連PDF(2,378ページ)を処理するオープンソースのマルチモーダル実装に基づいている。
  論文  参考訳（メタデータ） (2026-01-18T10:58:41Z)
• A Deep Learning framework for building damage assessment using VHR SAR and geospatial data: demonstration on the 2023 Turkiye Earthquake [1.6070833439280312]
  災害直後の被害の特定は緊急対応・復旧の指導に不可欠である。 超高分解能(VHR)合成開口レーダ(SAR)画像を用いた建物損傷検出のための新しい多モードディープラーニング(DL)フレームワークを提案する。 SAR画像パッチ、OpenStreetMap(OSM)構築フットプリント、デジタル表面モデル(DSM)データ、グローバル地震モデル(GEM)の構造と露出特性を統合する。 その結果,地理空間的特徴を取り入れることで,これまで見られなかった領域に対する検出性能と一般化性が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2025-06-27T15:49:58Z)
• BRIGHT: A globally distributed multimodal building damage assessment dataset with very-high-resolution for all-weather disaster response [50.76124284445902]
  ビル被害評価(BDA)は、人的被害を減らすために災害後の重要な能力である。 近年の研究では、目に見えない災害事象の正確なマッピングを実現するためのAIモデルの開発に焦点が当てられている。 本稿では, veRy-hIGH-resoluTion Optical and SAR image (BRIGHT) を用いたBDAデータセットを提案する。
  論文  参考訳（メタデータ） (2025-01-10T14:57:18Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)
• 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)
• Learning from Multimodal and Multitemporal Earth Observation Data for Building Damage Mapping [17.324397643429638]
  我々は、損傷マッピングを構築するためのグローバルなマルチセンサとマルチテンポラルデータセットを開発した。 グローバルデータセットには、高解像度の光学画像と高解像度のマルチバンドSARデータが含まれている。 我々は、深層畳み込みニューラルネットワークアルゴリズムに基づいて、損傷建物の意味的セグメンテーションのための損傷マッピングフレームワークを定義した。
  論文  参考訳（メタデータ） (2020-09-14T05:04:19Z)
• 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。