論文の概要: Key Findings for Small UAS for Post-Disaster Damage Assessment from the CURSE'26 Exercise

• arxiv url: http://arxiv.org/abs/2610.29777v1
• Date: Wed, 21 Oct 2026 14:06:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 09:50:43.253814
• Title: Key Findings for Small UAS for Post-Disaster Damage Assessment from the CURSE'26 Exercise
• Title（参考訳）: CURSE'26運動による災害後被害評価のための小型UASの重要点
• Abstract要約: 2026年、CURSE(Catastrophic Unmanned Remote Sensing Exercise)に建物と道路の損傷評価AIが組み込まれた。 CURSE 2026は23の小型無人航空機システム(sUAS)チームを訓練し、インシデントコマンドのリモートセンシングセルの画像を収集した。 その結果, 建物被害評価と道路被害評価は平均3.5分で実施され, 建物被害評価は, 空間的不整合を補正するための手動調整を伴わず, 0.834マイクロF1を達成した。
• 参考スコア（独自算出の注目度）: 1.4680035572775534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The CLARKE building and road damage assessment AI classifier was incorporated into the Catastrophic Unmanned Remote Sensing Exercise (CURSE) 2026, which trained 23 small uncrewed aerial systems (sUAS) teams from state and local agencies and non-governmental organizations in Florida and Missouri on how to collect imagery for an incident command Remote Sensing Cell. Although CLARKE has been operationally deployed to two hurricanes (Debby and Helene), CURSE'26 presented an opportunity to evaluate the machine learning model with a larger set of never-before-seen orthomosaics. The results show that building and road damage assessment together ran in 3.5 minutes on average, and that building damage assessment achieved a Micro F1 of 0.834 with no manual adjustments to correct spatial misalignment and delivered that performance in both Florida and Missouri, demonstrating good geographic transfer. It also showed that road damage assessment performed poorly due to sensitivity to misalignment between road maps and the images, and to lighting and environmental conditions in an urban setting. The analysis of CURSE'26 presents five other findings of value to the sUAS community: that the use of sUAS and machine learning is now operationally normalized and accepted, sUAS teams in the field can improve classification accuracy by timing their flights, exercises are good operational tests but their value for evaluating learning models is less clear, edge computing is needed to overcome the wireless upload barrier, and the application of sUAS and AI to disaster response has ethical and legal ramifications for pilots and data managers.
• Abstract（参考訳）: CLARKEの建物と道路損傷評価AI分類器はCURSE(Catastrophic Unmanned Remote Sensing Exercise)2026に組み入れられ、フロリダ州とミズーリ州の州や地方機関、非政府組織から23の無人航空システム(sUAS)チームを訓練し、事故発生時のリモートセンシングセルの画像を収集する方法を訓練した。 CLARKE は2つのハリケーン (Debby と Helene) に運用されているが、CURSE'26 では機械学習モデルを評価する機会が提示された。 その結果、建物と道路の損傷評価は平均3.5分で実施され、建築損傷評価は、空間的不整合を補正するための手動調整を伴わず、0.834マイクロF1を達成し、フロリダとミズーリの両方で良好な地理的移動を示した。 また,道路地図と画像のずれや,都市環境の照明や環境条件に敏感な道路被害評価が不十分であったことも明らかにした。 CURSE'26の分析では、sUASコミュニティに対する価値の他に、sUASと機械学習の使用が運用上正常化され、受け入れられていること、現場のsUASチームは、飛行のタイミングによって分類精度を向上させることができること、エクササイズは優れた運用テストであるが、学習モデルを評価する価値は明確ではないこと、ワイヤレスアップロード障壁を克服するためにエッジコンピューティングが必要であること、災害対応へのsUASとAIの適用は、パイロットやデータマネージャにとって倫理的および法的影響があること、の5点が示されている。

関連論文リスト

• Building Damage Detection using Satellite Images and Patch-Based Transformer Methods [0.0]
  我々は、xBDデータセット上でビジョントランスフォーマー(ViT)モデルの性能を評価する。 本稿では,構造的特徴を分離し,背景雑音を最小限に抑えるパッチベースの前処理パイプラインを提案する。 そこで本研究では,災害分類のためのCNNベースラインと比較して,新しいトレーニング手法による小さなViTアーキテクチャが,競合するマクロ平均F1を実現することを示す。
  論文  参考訳（メタデータ） (2026-02-08T20:45:58Z)
• A Benchmark Dataset for Spatially Aligned Road Damage Assessment in Small Uncrewed Aerial Systems Disaster Imagery [3.1498833540989413]
  本稿では,道路被害評価と道路アライメントのためのベンチマークデータセットについて述べる。 CRASAR-U-DRIODsデータセットで訓練された18のベースラインモデルを提供する。
  論文  参考訳（メタデータ） (2025-12-13T01:42:49Z)
• Deploying Rapid Damage Assessments from sUAS Imagery for Disaster Response [3.441021278275805]
  本稿では、連邦政府が指定した災害時(ハリケーン・デビー・ヘレーヌ)に運用する無人航空システム(sUAS)画像における建物損傷評価を自動化するAI/MLシステムについて述べる。 大規模な災害に対応するため、被害地域の画像を収集し、被害を評価するため、sUASチームが派遣される。 最近の災害では、チームは1日47GBから369GBの画像をまとめて提供し、災害現場で被写体の専門家によって合理的に送信または解釈される画像よりも多くの画像を表現した。 実際に遭遇したこのデータの雪崩を軽減するために、コンピュータビジョンと機械学習技術が有用である
  論文  参考訳（メタデータ） (2025-11-05T02:49:15Z)
• Structural Damage Detection Using AI Super Resolution and Visual Language Model [0.0]
  本研究では,空飛ぶドローン映像,高度なAIベースビデオ超解像モデル,ビデオ再生変換器(VRT),および27億パラメータビジュアル言語モデル(VLM)であるGemma3:27bを活用する,費用対効果の高い新しいフレームワークを提案する。 この統合システムは、低解像度の災害映像を改善し、構造的損傷を特定し、建物を4つの損傷カテゴリーに分類するように設計されている。 このフレームワークは84.5%の精度を達成し、非常に正確な結果を提供する能力を示した。
  論文  参考訳（メタデータ） (2025-08-23T20:12:06Z)
• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• CRASAR-U-DROIDs: A Large Scale Benchmark Dataset for Building Alignment and Damage Assessment in Georectified sUAS Imagery [0.5699788926464749]
  CRASAR-U-DROIDsは、SUASオルソモザイク画像の最大のラベル付きデータセットである。 CRASAR-U-DRIODsデータセットは、連邦政府が宣言した災害10件から52件(52件)のオルソモザイクで構成されている。
  論文  参考訳（メタデータ） (2024-07-24T23:39:10Z)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)
• 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)
• 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。