arXiv cs.CVは2026年7月25日(現地時間)、Wenping Yin氏らによる研究論文「DisasterTD: Disaster Toponym Disambiguation Using Multimodal LLMs and Cross-View Geolocalization」を発表しました。本研究は、マルチモーダル大規模言語モデル (Multimodal LLMs) と視点間ジオロケーションを統合し、ソーシャルメディア画像 (SMI) における曖昧な地理的参照を解決するフレームワーク「DisasterTD」を提案。災害対応における迅速かつ高精度な状況認識に貢献します。
DisasterTDは、ソーシャルメディア画像 (SMI) に含まれる地理的参照が曖昧であるため、正確なジオロケーションが困難であるという課題に対処するために提案されました。
このフレームワークは、Multimodal LLMs (MLLMs) ベースの意味推論と視点間ジオロケーションを統合します。まず、MLLMsがノイズの多いテキスト入力から地名を抽出し、候補となるジオロケーションを生成します。次に、SMIとリモートセンシング画像 (RSI)、任意でストリートビュー画像 (SVI) の間の視点間マッチングを用いて、これらの候補結果を検証し、洗練させます。
DisasterTDは、Hurricane Harvey (ハリケーン・ハービー) データセットで評価されました。このデータセットは、災害ジオロケーション用の視点間ベンチマークを構築するために、SMIに収集されたRSIとSVIを補強したものです。結果として、地名曖昧性解消を行わないMLLM単独または視点間のみのベースラインを上回る性能を示し、1000m以内で71.62%、500m以内で62.36%、250m以内で57.99%、100m以内で52.09%、50m以内で47.01%のジオロケーション精度を達成しました。平均誤差は11.33km、中央値誤差は0.68kmに削減されています。特に曖昧な地名において大きな改善が見られ、意味推論と視点間エビデンスが候補の分散と誤差を低減することが示されました。これらの発見は、MLLMベースの候補生成と視点間検証を統合することが、高精度な災害ジオロケーションに有効であることを実証しています。
参考: arXiv cs.CV (アーカイブ) — 2026年7月29日 13:00 (JST)
原文ハイライト"Disaster Toponym Disambiguation Using Multimodal LLMs and Cross-View Geolocalization"