論文の概要: Knowledge-Guided Floodwater Level Reasoning for Cloud-Edge Collaborative Monitoring

• arxiv url: http://arxiv.org/abs/2611.01970v1
• Date: Sun, 01 Nov 2026 15:07:07 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:17:40.126884
• Title: Knowledge-Guided Floodwater Level Reasoning for Cloud-Edge Collaborative Monitoring
• Title（参考訳）: クラウドエッジ協調モニタリングのための知識誘導フラッドウォーターレベル推論
• Abstract要約: 都市の洪水は、インテリジェント交通システムの安全性と効率に深刻な脅威をもたらす。 既存の視覚に基づく洪水水位検出法は2つの主な限界に直面している。 我々は,クラウド・エッジ・コラボレーションのための水位推論フレームワークであるHydroReasonerを提案する。
• 参考スコア（独自算出の注目度）: 7.048591895017112
• License:
• Abstract: Frequent urban floodwater poses a serious threat to the safety and efficiency of intelligent transportation systems. Existing vision-based methods for floodwater level detection face two main limitations. First, the lack of explicit reasoning leads to poor detection performance and little interpretability. Second, these methods struggle to generalize to the complex and varied real-world road scenes seen from different viewpoints. To address this, we reformulate the task as an explicit visual reasoning problem and propose HydroReasoner, a floodwater level reasoning framework designed for cloud-edge collaboration. HydroReasoner builds on Qwen2.5-VL and is trained with Group Relative Policy Optimization. To address the scarcity of reasoning process annotations, we build a floodwater domain knowledge graph HydroKG and design a novel KG path reward. Through deterministic graph traversal over HydroKG, this reward supervises the model's reasoning process at a fine granularity, which improves both reasoning and generalization. For edge deployment, we apply 4-bit quantization to the model, cutting GPU memory usage by 57% and inference latency by 43% while out-of-domain accuracy drops by only 0.2 percentage points. We also propose a confidence-based cloud-edge routing mechanism, which improves system safety and eases the computational load on the cloud. In addition, we build HydroLevel, a floodwater benchmark dataset of 3,000 images, for training and evaluating the model. Experimental results show that HydroReasoner achieves detection accuracy 4.0 and 13.6 percentage points higher than conventional vision baselines in the in-domain and out-of-domain evaluations respectively, with performance dropping by only 4.4 percentage points out of domain.
• Abstract（参考訳）: 都市の洪水は、インテリジェント交通システムの安全性と効率に深刻な脅威をもたらす。 既存の視覚に基づく洪水水位検出法は2つの主な限界に直面している。 まず、明示的な推論の欠如は、検出性能の低下と解釈可能性の低下につながります。 第二に、これらの手法は、異なる視点から見た複雑で多様な現実世界の道路シーンに一般化するのに苦労する。 そこで我々は,この課題を明示的な視覚的推論問題として再検討し,クラウド・エッジ・コラボレーションのために設計された洪水水位推論フレームワークであるHydroReasonerを提案する。 HydroReasonerはQwen2.5-VL上に構築され、Group Relative Policy Optimizationでトレーニングされている。 推論プロセスアノテーションの不足に対処するため,洪水領域知識グラフHydroKGを構築し,新しいKGパス報酬を設計する。 この報酬は、HydroKG上の決定論的グラフトラバーサルを通じて、モデルの推論プロセスを微細な粒度で監督し、推論と一般化の両方を改善する。 エッジデプロイメントでは、モデルに4ビット量子化を適用し、GPUメモリ使用率を57%削減し、推論遅延を43%削減し、ドメイン外精度を0.2ポイント削減する。 また,信頼性に基づくクラウドエッジルーティング機構を提案し,システムの安全性を改善し,クラウド上での計算負荷を軽減する。 さらに,3,000枚の画像のフラッドウォーター・ベンチマーク・データセットであるHydroLevelを構築し,モデルのトレーニングと評価を行った。 実験の結果、HydroReasonerは、ドメイン内およびドメイン外評価において、従来のビジョンベースラインよりも4.0および13.6ポイント高い検出精度を達成し、ドメイン内のパフォーマンスは4.4ポイント低下した。

関連論文リスト

• GG-Nav: Goal-oriented Grounding Chain-of-Thought Elicits Reasoning in Navigation Foundation Models [19.69254187958623]
  GG-Navは、教師付き微調整によって構造化チェーン機構を学習するナビゲーションフレームワークである。 GG-Navは,HM3D ObjectNav, VL-LN, CoINベンチマークにおける成功率において,最先端の手法よりも優れていることを示す。 我々はまた、GG-NavをUnitree Go2ロボットにデプロイし、実世界の見えない環境でゼロショット能力を実証した。
  論文  参考訳（メタデータ） (2026-10-10T03:54:19Z)
• Can't Find Waldo: Evaluating VLMs' Sensitivity to Image Resolution and Detail Level [63.38234167102593]
  本稿では,課題難易度から解決関連性能劣化を解消する制御評価フレームワークを提案する。 我々は、視覚トークン制限でのダウンサンプリングによる情報損失、パッチ境界シフトによるトークン化アーティファクト、トークン数の増加に伴う注意度低下の3つの主要な障害モードを特定した。 解析の結果,最先端モデルでさえ高解像度画像処理時の性能低下に悩まされていることが明らかとなった。
  論文  参考訳（メタデータ） (2026-09-20T08:59:25Z)
• Towards Compact Unified Multimodal Tracking: Synergizing Knowledge Distillation with Structural Pruning [80.73561460934809]
  多モード物体追跡は 相補的なセンサーデータを活用することで 目覚ましい堅牢性を達成した 我々は予測ヘッドを重要ではあるが、しばしば見過ごされる効率ボトルネックとみなしている。 デコーダアーキテクチャを戦略的に合理化することで、リアルタイム推論の可能性を解き放ちます。
  論文  参考訳（メタデータ） (2026-08-02T20:41:33Z)
• HydroAgent: Closing the Gap Between Frontier LLMs and Human Experts in Hydrologic Model Calibration via Simulator-Grounded RL [6.680830184790049]
  分散水理モデルの校正は、運用水資源管理における重要なボトルネックである。 我々は、フロンティア大言語モデル(LLM)エージェントが人間の水理モデルに取って代わることができ、そうでなければ何が必要かと尋ねる。 我々は,アメリカ国立気象局がフラッシュフロード予測のために使用しているCREST分散水理モデル上で,9つのフロンティアLSMエージェントをベンチマークした。
  論文  参考訳（メタデータ） (2026-05-18T03:17:38Z)
• AquaSentinel: Next-Generation AI System Integrating Sensor Networks for Urban Underground Water Pipeline Anomaly Detection via Collaborative MoE-LLM Agent Architecture [11.644739814142502]
  AquaSentinelは、都市地下パイプラインネットワークにおけるリアルタイムな異常検出のための物理インフォームドAIシステムである。 1) ネットワーク全体の可観測性を最小限のインフラから実現するために,高分散ノードでの戦略的スパースセンサ展開と物理ベースの状態拡張を併用する。
  論文  参考訳（メタデータ） (2025-11-19T20:53:50Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• FloodVision: Urban Flood Depth Estimation Using Foundation Vision-Language Models and Domain Knowledge Graph [1.0323063834827415]
  FloodVisionはゼロショットフレームワークであり、基礎的なビジョン言語モデルであるGPT-4oと構造化されたドメイン知識グラフのセマンティック推論能力を組み合わせたものである。 FloodVisionは8.17cmの平均的な絶対誤差を達成し、GPT-4oベースラインの10.28cmを20.5%削減し、CNNベースの手法を上回りました。
  論文  参考訳（メタデータ） (2025-09-05T03:05:18Z)
• Bayesian-Driven Graph Reasoning for Active Radio Map Construction [96.08082552413117]
  本稿では,経路ナビゲーションに適したグラフベースの推論を明示的に活用する不確実性を考慮した無線地図再構成フレームワークを提案する。 提案手法は,(1)空間的不確実性をリアルタイムで推定するベイズニューラルネットワーク,(2)グローバル推論を行う注意に基づく強化学習ポリシの2つの重要な深層学習要素を統合した。 実験の結果,URAMは既存のベースラインよりも最大で34%の精度で復元できることがわかった。
  論文  参考訳（メタデータ） (2025-07-29T03:32:01Z)
• Deep Reinforcement Multi-agent Learning framework for Information Gathering with Local Gaussian Processes for Water Monitoring [3.2266662249755025]
  局所ガウス過程と深層強化学習を用いて効果的なモニタリングポリシを共同で取得することが提案されている。 このモデルの平均と分散の観察に基づく決定に基づく、深い畳み込み政策が提案されている。 エージェントはDouble Deep Q-Learningアルゴリズムを用いて、安全な方法で推定誤差を最小限に抑えるように訓練される。
  論文  参考訳（メタデータ） (2024-01-09T15:58:15Z)
• Benchmarking Safe Deep Reinforcement Learning in Aquatic Navigation [78.17108227614928]
  本研究では,水文ナビゲーションに着目した安全強化学習のためのベンチマーク環境を提案する。 価値に基づく政策段階の深層強化学習(DRL)について考察する。 また,学習したモデルの振る舞いを所望の特性の集合上で検証する検証戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-16T16:53:56Z)

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。