論文の概要: Neighbourhood shortcuts in building damage assessment from very-high-resolution satellite imagery: diagnosis and a building-evidence plug-in

• arxiv url: http://arxiv.org/abs/2610.38162v1
• Date: Wed, 28 Oct 2026 02:07:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 18:40:14.074107
• Title: Neighbourhood shortcuts in building damage assessment from very-high-resolution satellite imagery: diagnosis and a building-evidence plug-in
• Title（参考訳）: 超高解像度衛星画像による建物損傷評価の近距離短縮--診断とビルエビデンス・プラグイン-
• Abstract要約: 全体的なスコアは、モデルが建物自体を判断するか、近辺をショートカットとして依存しているかを判断できない。 本稿では,既存のモデルに2人の専門家を追加し,再トレーニングを行わないビル・エビデンス・プラグインを提案する。
• 参考スコア（独自算出の注目度）: 17.138203645829503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Building damage assessment (BDA) from very-high-resolution imagery supports disaster response, and deep models now achieve high overall accuracy on public benchmarks. Because damage is spatially clustered, most buildings share the damage level of their neighbours, so overall scores are dominated by such buildings, whereas damaged buildings among intact ones are rare and easily overlooked. A high overall score therefore cannot tell whether a model judges the building itself or relies on its neighbourhood as a shortcut, and this study tests which of the two current models do. We stratify buildings by their agreement with their neighbours, move buildings into new neighbourhoods with their pixels unchanged, and diagnose nine models covering the main paradigms of BDA. All models miss a third to half of the isolated damaged buildings, and in non-flood events they call 73--87% of intact buildings damaged once these are moved into a damaged neighbourhood. We propose a building-evidence plug-in that adds two experts to an existing model without retraining it. One expert sees only the building, and the other sees its surroundings but is trained with seamlessly swapped neighbourhoods so that it learns not to trust them. With each of the nine models, the plug-in maintains or improves overall accuracy, reduces errors on buildings that disagree with their neighbours by 8--18%, and cuts by 40--69% the intact buildings that a damaged neighbourhood turns into damaged ones. It also raises the detection of synthetic isolated damage from 1--6% to 13--39% and carries over to optical--SAR data and to an unseen earthquake. High overall scores thus conceal a systematic reliance on the neighbourhood, which building-level evidence reduces at low cost.
• Abstract（参考訳）: 超高解像度画像からのビル損傷評価(BDA)は災害応答をサポートし、ディープモデルは公開ベンチマークで高い総合的精度を達成している。 被害は空間的に集束されているため、ほとんどの建物が近隣の建物の被害レベルを共有しているため、全体のスコアはこれらの建物で占められている。 したがって、高い総合スコアは、モデルが建物自体を判断するか、近辺をショートカットとして依存しているかを判断できない。 我々は、隣人との合意により建物を階層化し、画素を変更せずに建物を新しい近隣に移動させ、BDAの主要なパラダイムをカバーする9つのモデルを診断する。 全てのモデルは、孤立した建物のうち3分の1から半分を見逃し、無傷の建物の73～87%が損傷した近隣に移動された。 本稿では,既存のモデルに2人の専門家を追加し,再学習を行わないビルディングエビデンスプラグインを提案する。 ある専門家は建物だけを見て、もう1人は周囲を見ているが、それらを信用しないように、シームレスに交換された近所で訓練される。 9つのモデルで、プラグインは全体の精度を維持または改善し、隣り合っていない建物のエラーを8～18%減らし、損傷した近隣の建物が損傷した建物の40～69%減らした。 また、合成された損傷を1-6%から13--39%に検出し、光学SARデータや目に見えない地震に受け継がれる。 したがって、高い総合スコアは、建物レベルの証拠が低コストで減少する近隣地域への体系的な依存を隠蔽する。

関連論文リスト

• 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)
• Multiclass Post-Earthquake Building Assessment Integrating High-Resolution Optical and SAR Satellite Imagery, Ground Motion, and Soil Data with Transformers [0.0]
  本研究では,地震後の高分解能衛星画像と構造物の耐震性能に関連する建築固有のメタデータを組み合わせたフレームワークを提案する。 2023年2月6日トルコ・シリア地震の建物群を対象とした多層地震後の被害同定において, 現状の成果が得られた。
  論文  参考訳（メタデータ） (2024-12-05T23:19:51Z)
• 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)
• xFBD: Focused Building Damage Dataset and Analysis [7.862669992685641]
  我々は、元のxView2コンペティションに補助的な挑戦を提案する。 この新たな課題は、損傷がxBDよりも局所的で制限された場合のソリューションパフォーマンスを示す新しいデータセットとメトリクスである。 この課題に成功する方法は、元のxView2ソリューションよりもきめ細かな、正確な損傷情報を提供する。
  論文  参考訳（メタデータ） (2022-12-23T21:01:18Z)
• 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)
• MSNet: A Multilevel Instance Segmentation Network for Natural Disaster Damage Assessment in Aerial Videos [74.22132693931145]
  本研究では, ハリケーン, 洪水, 火災などの自然災害後の建物被害を効率的に評価する課題について検討する。 最初のコントリビューションは、ソーシャルメディアからユーザ生成された空中ビデオと、インスタンスレベルのビルディング損傷マスクのアノテーションで構成される、新しいデータセットである。 第二のコントリビューションはMSNetと呼ばれる新しいモデルで、新しい領域の提案ネットワーク設計を含んでいる。
  論文  参考訳（メタデータ） (2020-06-30T02:23:05Z)
• 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。