ピクセルからセマンティクスへ：衛星画像における構造物の損傷検出のためのマルチステージAIフレームワーク

概要: 自然災害後の迅速かつ高精度な構造物の被害評価は、効果的な緊急対応と復旧のために極めて重要です。しかし、リモートセンシング画像はしばしば低い空間解像度、文脈に関する曖昧さ、そして限られた意味的解釈可能性に悩まされ、その結果、従来の検出パイプラインの信頼性が低下します。本研究では、AIベースの超解像、深層学習による物体検出、ならびにVision-Language Models（VLM）を統合した新しいハイブリッドフレームワークを提案し、災害後の建物被害を包括的に評価します。まず、Video Restoration Transformer（VRT）を用いて災害前後の衛星画像を強化し、画像の解像度を1024x1024から4096x4096へとアップスケールすることで、構造の詳細がより明瞭に見えるようにします。次に、YOLOv11ベースの検出器により災害前画像上で建物を局在化し、切り出した建物領域をVLMで解析することで、4段階の重症度にわたって構造的な被害を意味論的に評価します。グラウンドトゥルースのキャプションが存在しない状況でも頑健な評価を確実にするため、参照なしの意味的整合性としてCLIPScoreを用い、さらに安全性が重要な意思決定において個々のモデルのバイアスを低減するために、マルチモデルのVLM-as-a-Jury戦略を導入します。Moore TornadoおよびHurricane Matthewの各イベントを含むxBDデータセットのサブセットでの実験により、本提案フレームワークが被害を受けた建物の意味的解釈を向上させることが示されます。加えて、当社のフレームワークは、被害分析に基づいて復旧に向けた初動対応者に有用な提言を提供します。