論文の概要: Decoding the Disaster: Multi-Task Geospatial Reasoning with Vision-Language Models and Crowdsourced Imagery for Disaster Mapping
- arxiv url: http://arxiv.org/abs/2610.00302v1
- Date: Mon, 28 Sep 2026 07:10:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.59703
- Title: Decoding the Disaster: Multi-Task Geospatial Reasoning with Vision-Language Models and Crowdsourced Imagery for Disaster Mapping
- Title（参考訳）: 災害の復号化:視覚言語モデルを用いたマルチタスク地理空間推論と災害マッピングのためのクラウドソース画像
- Abstract要約: クラウドソーシングされた画像は、災害マッピングのためのタイムリーできめ細かなストリートレベルの観察を提供する。
しかし、そのような画像は、しばしば非構造的で空間的に曖昧であり、信頼性のある地理的メタデータが欠如している。
本研究では,クラウドソース型災害画像に対する視覚言語モデル(VLM)の理解,地域化,推論の可能性を検討するため,マルチタスクな地理空間推論型災害マッピングフレームワークGRDisasterを提案する。
- 参考スコア（独自算出の注目度）: 37.98265146043642
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Crowdsourced imagery provides timely, fine-grained, street-level observations for disaster mapping, complementing conventional remote sensing imagery (RSI) during emergency response. However, such imagery is often unstructured, spatially ambiguous, and lacks reliable geographic metadata, making manual geolocalization and interpretation labor-intensive and difficult to scale. This work proposes a multi-task Geospatial Reasoning Disaster mapping framework, namely GRDisaster, to examine the potential of vision-language models (VLMs) in understanding, geolocalizing, and reasoning over crowdsourced disaster imagery. GRDisaster is built on a newly curated benchmark dataset derived from PhotoMappers, comprising 26,340 images organized into human-validated volunteered geographic information (VGI), street-view imagery (SVI), RSI cross-view triplets covering multiple disaster events from 2018 to 2024. The framework combines deterministic and probabilistic cross-view geolocalization with multi-view fusion to associate VGI images with georeferenced SVI and RSI. It introduces two sets of spatial reasoning indicators for cross-view geolocalization validation and disaster damage assessment. These indicators use structural, environmental, and global-scene cues to validate cross-view correspondences and visually observable damage evidence with expert-verified annotations to assess disaster severity, improving the interpretability of VLM outputs. To our knowledge, this study provides the first systematic investigation and unified evaluation framework for examining how VLM-based spatial reasoning can transform crowdsourced disaster imagery into actionable geospatial artificial intelligence (GeoAI) through cross-view geolocalization validation, interpretable spatial reasoning, and damage-aware severity assessment.
- Abstract（参考訳）: クラウドソーシングされた画像は、災害対応中に従来のリモートセンシング画像(RSI)を補完する災害対応のための、タイムリーできめ細かな街路レベルの観察を提供する。
しかし、そのような画像は、しばしば非構造的で空間的に曖昧であり、信頼性の高い地理的メタデータが欠如しており、手動のジオローカライゼーションと解釈が労働集約的でスケールが難しい。
本研究では,クラウドソース型災害画像に対する視覚言語モデル(VLM)の理解,地域化,推論の可能性を検討するため,マルチタスクな地理空間推論型災害マッピングフレームワークGRDisasterを提案する。
GRDisasterはPhotoMappersから派生した新たなベンチマークデータセット上に構築されており、2018年から2024年までの複数の災害イベントをカバーする、VGI、ストリートビューイメージ(SVI)、RSIクロスビュートリプルからなる26,340のイメージで構成されている。
このフレームワークは、決定論的および確率論的クロスビューなジオローカライゼーションとマルチビュー融合を組み合わせることで、VGIイメージとジオレファレンスされたSVIとRSIを関連付ける。
クロスビューなジオローカライゼーションバリデーションと災害被害評価のための空間的推論指標を2セット導入した。
これらの指標は、構造的、環境的、グローバルなシーンの手がかりを用いて、横断的な対応の検証と、専門家が検証したアノテーションによる視覚的に観察可能な損傷証拠を用いて、VLM出力の解釈可能性を向上させる。
本研究は,VLMによる災害画像の空間的推論を空間的空間空間的人工知能(GeoAI)へ変換する方法を,クロスビューなジオローカライゼーションバリデーション,解釈可能な空間的推論,損傷対応度評価を通じて検討するための,最初の体系的調査および統合的評価フレームワークを提供する。
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) - GeoDisaster: Benchmarking Orchestrated Agents for Operational Disaster Geo-Intelligence [34.091777505490235]
43の質問タイプにわたる2,921の検証インスタンスを備えた,運用時地理空間災害推論ベンチマークであるGeoDisasterを紹介した。
地空間的および決定論的整合性チェックでは, 地表面の解答が基礎となる。
本稿では,18の災害対応ツールを用いたマルチエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-15T19:46:10Z) - Textual Supervision Enhances Geospatial Representations in Vision-Language Models [47.5986642837928]
地理空間的理解は、機械学習システムの開発において決定的だが未解明の要素である。
視覚のみのアーキテクチャ(ViTなど)、視覚言語モデル(CLIPなど)、大規模マルチモーダル基盤モデル(LLaVA、Qwen、Gemmaなど)の3つのモデルファミリによって得られた空間的表現を分析する。
論文 参考訳（メタデータ） (2026-06-05T11:40:13Z) - Learning to Wander: Improving the Global Image Geolocation Ability of LMMs via Actionable Reasoning [72.13218601075958]
textbfWanderBenchは,具体的シナリオにおける行動可能な位置情報推論のための,最初のオープンアクセスグローバルジオロケーションベンチマークである。
我々は,下線Action of UnderlineThoughを用いた下線Geolocationフレームワークである textbfGeoAoT (Action of Thought) を提案する。
19個の大規模マルチモーダルモデルによる実験により、GeoAoTは動的環境におけるより優れた微細な局所化とより強力な一般化を実現することが示された。
論文 参考訳（メタデータ） (2026-03-11T06:24:10Z) - GLEAM: Learning to Match and Explain in Cross-View Geo-Localization [66.11208984986813]
CVGL(Cross-View Geo-Localization)は、同じ地理的位置の異なる視点から撮影された画像間の対応を識別することに焦点を当てている。
GLEAM-Cは、UAV画像、ストリートマップ、パノラマ画像、地上写真を含む複数のビューとモダリティを衛星画像のみに合わせる基本CVGLモデルである。
従来のCVGL手法では解釈可能性の欠如に対処するため,クロスビュー対応予測と説明可能な推論を組み合わせたGLEAM-Xを提案する。
論文 参考訳（メタデータ） (2025-09-09T07:14:31Z) - GEOBench-VLM: Benchmarking Vision-Language Models for Geospatial Tasks [84.86699025256705]
本稿では,地理空間的タスクの視覚言語モデル(VLM)を評価するためのベンチマークであるGEOBench-VLMを提案する。
私たちのベンチマークでは、手動で検証された命令が1万以上あり、さまざまな視覚条件、オブジェクトタイプ、スケールにまたがっています。
地理空間固有の課題における性能を評価するために,いくつかの最先端のVLMを評価した。
論文 参考訳（メタデータ） (2024-11-28T18:59:56Z) - Cross-View Geolocalization and Disaster Mapping with Street-View and VHR Satellite Imagery: A Case Study of Hurricane IAN [9.128051274958356]
本研究では,地すべりと損傷知覚推定を同時に行う新しい災害対応フレームワーク,CVDisasterを提案する。
CVDisasterは2つのクロスビューモデルから構成されており、CVDisaster-Geolocはクロスビューなジオローカライゼーションモデルを指す。
CVDisasterは, 微調整を限定して高い競争性能(局地化80%以上, 損傷知覚推定75%以上)を達成できることを示す。
論文 参考訳（メタデータ） (2024-08-13T09:37:26Z) - Generalizable Disaster Damage Assessment via Change Detection with Vision Foundation Model [17.016411785224317]
DAVI(Disaster Assessment with Vision foundation model)は,ドメインの格差に対処し,ターゲット領域に接地トラストラベルを必要とせずに建物レベルで構造的損傷を検出する手法である。
DAVIは、ソース領域で訓練されたモデルからのタスク固有の知識と、イメージセグメンテーションモデルからのタスク非依存の知識を組み合わせて、ターゲット領域の潜在的な損傷を示す擬似ラベルを生成する。
次に、2段階の精錬プロセスを使用し、ピクセルレベルと画像レベルの両方で動作し、災害被害地域の変化を正確に識別する。
論文 参考訳（メタデータ） (2024-06-12T09:21:28Z) - A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳（メタデータ） (2022-11-04T09:58:57Z)
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。