論文の概要: A Decade of PhotoMappers: A Longitudinal Study of Crowdsourced Disaster Photos Geolocalization with Vision-Language Models and Geospatial Reasoning
- arxiv url: http://arxiv.org/abs/2610.15403v1
- Date: Sun, 11 Oct 2026 07:17:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.207764
- Title: A Decade of PhotoMappers: A Longitudinal Study of Crowdsourced Disaster Photos Geolocalization with Vision-Language Models and Geospatial Reasoning
- Title（参考訳）: 写真地図作成の10年:視覚・言語モデルと地理空間推論を用いたクラウドソーシング災害画像の位置情報化に関する縦断的研究
- Abstract要約: 本研究では,災害情報の地理的変化について検討し,新しいGeoAIモデルと人間の地理的解釈をどう比較するかを問う。
ストリートビュー画像(SVI)とリモートセンシング画像(RSI)を用いた縦方向空間解析と横方向ジオローカライゼーションを併用する。
その結果,災害タイプ,コミュニティライフライン,運用上の優先事項が変化して形成された,地理的かつ時間的に不均一なアーカイブが明らかになった。
- 参考スコア（独自算出の注目度）: 20.335043961390046
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Crowdsourced disaster imagery provides timely, ground-level observations when conventional disaster mapping is delayed or incomplete, yet its geographic value depends on where observations are produced, how they are interpreted, and whether they can be reliably located as actionable Geospatial Intelligence (GEOINT). Using more than a decade of PhotoMappers, a crowdsourced disaster-mapping initiative, this study examines the changing geography of disaster information and asks how emerging GeoAI models compare with human geographic interpretation. We combine longitudinal spatial analysis with cross-view geolocalization using street view imagery (SVI) and remote sensing imagery (RSI), and evaluate vision-language models (VLMs) reasoning through 30 indicators spanning geographic cues and reasoning evidence. The results reveal a geographically and temporally uneven archive shaped by changing disaster types, Community Lifelines, and operational priorities. Integrating VGI, SVI, and RSI with Sinkhorn re-ranking achieves 40.90% R@1, 61.10% R@5, and 69.45% R@10, while yearly R@1 varies markedly from 25.00% to 65.07%. Geographic reasoning is similarly uneven: Qwen3.6-27B achieves an overall agreement of 67% compared with 51% for InternVL3-8B, with both models showing greater difficulty with localized and place-specific evidence than broad spatial configurations. We argue that the value of GeoAI lies less in replacing volunteered geographic interpretation than in complementing it, scaling candidate retrieval while retaining human judgment for ambiguous and consequential cases. This provides a pathway toward more human-centered and responsible GeoAI for disaster mapping. All data and code are openly available at https://github.com/bobleegogogo/PhotoMappers-VLM.
- Abstract（参考訳）: クラウドソーシングされた災害画像は、従来の災害マッピングが遅れたり不完全な場合のタイムリーな地上レベルの観測を提供するが、その地理的価値は、どこで観測が行われたか、どのように解釈されるか、そしてそれらが実用的な地理空間知能(GEOINT)として確実に位置できるかどうかに依存する。
本研究は,クラウドソースによる災害対応活動であるPhotoMappersの10年以上の期間を通じて,災害情報の地理的変化を調査し,新しいGeoAIモデルと人間の地理的解釈をどう比較するかを問うものである。
縦断的空間解析とストリートビュー画像(SVI)とリモートセンシング画像(RSI)を併用し、地理的手がかりにまたがる30の指標を通して視覚言語モデル(VLM)の推論を評価した。
その結果,災害タイプ,コミュニティライフライン,運用上の優先事項が変化して形成された,地理的かつ時間的に不均一なアーカイブが明らかになった。
VGI、SVI、RSIをシンクホーンに組み込むと40.90%のR@1、61.10%のR@5、69.45%のR@10が達成され、R@1は25.00%から65.07%に大きく変化している。
Qwen3.6-27B は、InternVL3-8B の 51% と比較すると、全体の 67% の合意を達成している。
我々は、GeoAIの価値は、ボランティアによる地理的解釈を補うことよりもむしろ、不明瞭で連続的なケースに対する人間の判断を維持しながら、候補検索をスケールすることにあると論じている。
これにより、災害対応のためのより人間中心で責任あるGeoAIへの道が開かれる。
すべてのデータとコードはhttps://github.com/bobleegogo/PhotoMappers-VLMで公開されている。
関連論文リスト
- Decoding the Disaster: Multi-Task Geospatial Reasoning with Vision-Language Models and Crowdsourced Imagery for Disaster Mapping [37.98265146043642]
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。
論文 参考訳（メタデータ） (2026-09-28T07:10:08Z) - GeoR-Bench: Evaluating Geoscience Visual Reasoning [102.4693880357753]
現在のAIシステムが、真の地球科学の知性を達成するまでの距離は、まだ不明だ。
我々は,インフォメーション・ビジュアル・編集タスクの推論を通じて,アンダーライン評価のためのアンダーラインベンチマークである textbfGeoR-Bench を提案する。
論文 参考訳（メタデータ） (2026-05-12T05:13:37Z) - GeoAgent: Learning to Geolocate Everywhere with Reinforced Geographic Characteristics [91.17301794848025]
本稿では,人間と密に推論し,詳細なアドレス結論を導出できるGeoAgentについて述べる。
従来のRLベースの手法は、パフォーマンスと解釈可能性においてブレークスルーを達成したが、AI生成のチェーン・オブ・プリート(CoT)データとトレーニング戦略に依存しているため、依然として懸念が残っている。
論文 参考訳（メタデータ） (2026-02-13T04:48:05Z) - HierLoc: Hyperbolic Entity Embeddings for Hierarchical Visual Geolocation [12.392226207474662]
画像と画像の検索を,ハイパーボリック空間に埋め込まれた地理的エンティティのコンパクトな階層構造に置き換える。
画像は、土地、地域、小地域、都市と直接的に一致し、地理的に重み付けられた双曲的学習を通して、対照的な目的にハーシン距離を直接組み込む。
文献の現在の方法と比較すると、平均測地誤差を19.5%削減し、細粒度のサブリージョン精度を43%改善している。
論文 参考訳（メタデータ） (2026-01-30T15:16:07Z) - GEO-Detective: Unveiling Location Privacy Risks in Images with LLM Agents [40.59860671244798]
画像位置推定のための人間の推論とツール使用を模倣するエージェントであるGeo-Detectiveを提案する。
画像の難易度に基づいて戦略を適応的に選択する4段階の手順に従う。
視覚的リバースサーチのような特殊なツールを備えており、人間が外部の地理的手がかりを収集する方法をエミュレートする。
論文 参考訳（メタデータ） (2025-11-27T13:27:26Z) - Where on Earth? A Vision-Language Benchmark for Probing Model Geolocation Skills Across Scales [61.03549470159347]
視覚言語モデル (VLM) は急速に進歩しているが, オープンワールド環境における画像位置決め能力は, 網羅的に評価されていない。
我々は、視覚認識、ステップバイステップ推論、エビデンス利用を評価するVLM画像位置情報の総合ベンチマークであるEarthWhereを提示する。
論文 参考訳（メタデータ） (2025-10-13T01:12:21Z) - Enhancing Contrastive Learning for Geolocalization by Discovering Hard Negatives on Semivariograms [7.1220661738937325]
そこで本研究では,半可変図を組み込んだ空間正規化コントラスト学習戦略を提案する。
空間的先行条件を明示的にモデル化することで、画像に基づく地理的局所化性能が向上することを示す。
論文 参考訳（メタデータ） (2025-09-25T20:53:06Z) - GeoArena: An Open Platform for Benchmarking Large Vision-language Models on WorldWide Image Geolocalization [21.941170274245223]
画像のジオローカライゼーションは、地球上のどこでも撮影された画像の地理的位置を予測することを目的としている。
現在の評価手法には2つの大きな制限がある。
グローバルな画像位置決めタスク上でLVLMを評価するための,最初のオープンプラットフォームであるGeoArenaを提案する。
論文 参考訳（メタデータ） (2025-09-04T15:52:04Z) - Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。
大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。
また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
論文 参考訳（メタデータ） (2025-02-19T14:21:25Z) - GeoGLUE: A GeoGraphic Language Understanding Evaluation Benchmark [56.08664336835741]
我々はGeoGLUEと呼ばれるGeoGraphic Language Understanding Evaluationベンチマークを提案する。
オープンソースの地理資源からデータを収集し、6つの自然言語理解タスクを導入する。
我々は,GeoGLUEベンチマークの有効性と意義を示す一般ベースラインの評価実験と解析を行った。
論文 参考訳（メタデータ） (2023-05-11T03:21:56Z) - GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。
まず,地理的適応のための大規模データセットGeoNetを紹介する。
第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。
第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
論文 参考訳（メタデータ） (2023-03-27T17:59:34Z)
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。