論文の概要: Trust the View That Sees the Target: Mining Cross-View Conflicts for Reliability-Gated Disaster Damage Assessment

• arxiv url: http://arxiv.org/abs/2610.04327v1
• Date: Sat, 03 Oct 2026 06:43:22 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:06:22.363664
• Title: Trust the View That Sees the Target: Mining Cross-View Conflicts for Reliability-Gated Disaster Damage Assessment
• Title（参考訳）: 対象とする視点を信頼する:信頼性に配慮した災害被害評価のためのクロスビュー紛争のマイニング
• Abstract要約: 災害後、建物の損傷は、頭上タイルと地上写真から評価される。 ほとんどの方法は2つのビューを対称的に融合させ、各ビルに等しく両方を信頼する。 本稿では、その仮定が失敗するサンプルに焦点を当てる。
• 参考スコア（独自算出の注目度）: 4.99448712871903
• License:
• Abstract: After a disaster, building damage is assessed from overhead tiles and ground-level photographs, and most methods fuse the two views symmetrically, trusting both equally for every building. This paper focuses on the samples where that assumption fails: the conflict cases, on which two independently trained single-view models disagree. We mine such cases from three paired collections (inspection photographs from the 2025 Eaton wildfire and street-view panoramas from Hurricanes Ian and Milton, each matched to very-high-resolution overhead tiles), where they make up 10-33% of the data. On these samples an oracle that simply trusts the correct view beats every fusion method we tested by 0.37-0.41 accuracy, and the gap survives longer training, calibration, and backbone changes. We recover part of it with a visibility-conditioned reliability gate: a linear model that decides which view to trust from building-visibility features, calibrated per-view confidences, and the disagreement itself. On the wildfire data the gate is the only method that significantly beats calibrated probability averaging (+0.051 on conflicts, p=0.0001) and end-to-end fusion (+0.072, p<10^-4); on the panoramic datasets it matches them. A controlled field-of-view experiment explains why: cropping panoramas toward the building doubles the benefit of fusion, whereas random crops of the same size do not. Finally, the spatial density of conflicts predicts tile-level damage without labels (Spearman r=0.615, p=0.001). Mining conflicts turns "does fusion help?" into "which view should be trusted, where, and why?".
• Abstract（参考訳）: 災害後、建物の損傷は頭上タイルと地上写真から評価され、ほとんどの方法は2つのビューを対称に融合させ、各ビルに等しく信頼する。 本稿では、この仮定が失敗するサンプルに焦点を当て、独立に訓練された2つの単一ビューモデルが一致しない競合事例について述べる。 2025年のイートン山火事と、Huricanes IanとMiltonのストリートビュー・パノラマの3つのコレクションから、これらのケースを抽出し、それぞれが高解像度のオーバヘッドタイルと一致し、データの10～33%を構成した。 これらのサンプルでは、正しい視界を単純に信頼するオラクルが、0.37-0.41の精度でテストした核融合法を全て打ち負かし、ギャップは長いトレーニング、キャリブレーション、バックボーンの変化に耐えられる。 我々は、その一部を可視性のある信頼性ゲートで回収する: ビルの可視性の特徴からどのビューを信頼するかを決定する線形モデル、ビュー毎の信頼度を調整し、その相違点そのものを判断する。 ワイルドファイアデータでは、ゲートが校正確率平均 (+0.051、p=0.0001) と終端融合 (+0.072、p<10^-4) を著しく上回る唯一の方法である。 パノラマを建物に向かって収穫することは融合の利点を2倍にするが、同じ大きさのランダムな作物はそうではない。 最後に、衝突の空間密度はラベルなしでタイルレベルの損傷を予測する(Spearman r=0.615, p=0.001)。 鉱業紛争は「融合が助けになるか?」を「どの見解が信頼されるべきか、どこでなぜか」に変える。

関連論文リスト

• Spaceborne differential photogrammetry for control-free measurement of large-gradient deformation with structural immunity and a predictable accuracy envelope [12.964822919365103]
  光衛星画像相関は、コヒーレント干渉型合成開口レーダが故障する状況における広域変形を測定する。 標準対係数は、事前取得エラー予算を欠き、広範な安定した地形に依存している。 地すべりを調査せずに差分推定問題として繰り返しパス光相関を定式化する。
  論文  参考訳（メタデータ） (2026-08-26T03:40:52Z)
• Track-Leakage-Free Hold-Out Self-Validation for Photogrammetric Reconstruction: Protocol, Sensitivity, and Limits [0.0]
  画像再構成のためのトラックレカジフリーホールドアウトプロトコルを定式化する。 我々は、5つの基準撮影、13のETH3Dレーザースキャンシーン、EuRoC飛行、30のIMC 2025シーンで評価した。
  論文  参考訳（メタデータ） (2026-07-25T17:00:11Z)
• Advancing All-Weather Building Damage Mapping to the Instance Level: Outcomes and Insights from the 2026 Bright Challenge [51.684701877722574]
  急激な災害後の対応には、建物が無傷のままか、損傷するか、破壊されるかについてのビルレベルの情報をタイムリーに要求する。 Bright Challengeは、サブメートル解像度のプレイベント光学画像とポストイベントSAR画像から全天候の建物損傷マッピングを評価した。
  論文  参考訳（メタデータ） (2026-07-23T07:22:15Z)
• Interaction Scaling: Grounding the Third Axis of Test-Time Compute [0.33451037881913753]
  一つの変数がこの第3の軸を接地として支配し、ループの両側に保持しなければならないと論じる。 固定トークン予算でのハードコーディングタスクでは、推論のみとベストオブNの両方をサンプリングする。 提案手法は, ラン・ツー・ラン分散を伴わず, 100%パスレートに到達した。
  論文  参考訳（メタデータ） (2026-07-13T14:22:06Z)
• Seeing Isn't Knowing: Do VLMs Know When Not to Answer Spatial Questions (and Why)? [72.2500547961037]
  空間推論は視覚言語モデル(VLM)が現実世界の環境に展開する基本的な能力である。 対象情報を隠蔽するオクルージョン(Occlusion)と、誤解を招く視覚的手がかりを生成する視点曖昧性(spective ambiguity)の2つのタイプの観察課題を紹介した。 各構成について、クリーンな観察では答えられるが、導入した課題では無視する必要がある空間的質問を設計する。
  論文  参考訳（メタデータ） (2026-05-28T20:44:47Z)
• Navigating Conflicting Views: Harnessing Trust for Learning [5.776290041122041]
  我々は,エビデンシャル・マルチビュー・フレームワークを強化する計算信頼に基づく割引手法を開発した。 提案手法は,Top-1の精度,Fleiss' Kappa,および新たな測定基準であるMulti-View Agreement with Ground Truthを用いて,実世界の6つのデータセットに対して評価を行った。
  論文  参考訳（メタデータ） (2024-06-03T03:22:18Z)
• Show Your Work with Confidence: Confidence Bands for Tuning Curves [51.12106543561089]
  チューニング作業の関数としての曲線プロット検証性能。 そこで我々は,曲線のチューニングに有効な信頼帯域を構築するための最初の方法を提案する。 提案手法と比較し,提案手法の有効性を検証し,サンプルサイズの影響を解析し,モデルの比較に関するガイダンスを提供する。
  論文  参考訳（メタデータ） (2023-11-16T00:50:37Z)
• Zero-shot Faithful Factual Error Correction [53.121642212060536]
  事実の誤りを忠実に訂正することは、テキストの知識基盤の整合性を維持し、シーケンス・ツー・シーケンス・モデルにおける幻覚を防ぐために重要である。 提案するゼロショットフレームワークは,入力クレームに関する質問を定式化し,与えられたエビデンスにおける正しい回答を求め,そのエビデンスとの整合性に基づいて各補正の忠実さを評価する。
  論文  参考訳（メタデータ） (2023-05-13T18:55:20Z)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)

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。