본 논문은 재해 발생 후 긴급 대응 우선순위 지정을 위한 정확한 피해 평가를 위해, 위성 이미지 해석의 속도 저하, 주관성, 확장성 문제를 해결하고자 합니다. 이를 위해 사전 및 사후 재해 위성 이미지를 결합하여 픽셀 단위의 정밀한 피해 지도를 생성하는 딥러닝 프레임워크인 'Satellite-to-Street: Disaster Impact Estimator'를 제안합니다. 이 모델은 수정된 이중 입력 U-Net 아키텍처와 향상된 특징 융합을 사용하여 지역적 구조 변화와 광범위한 컨텍스트 정보를 모두 포착하며, 클래스 불균형 문제를 해결하기 위해 클래스별 가중치 손실 함수를 통합합니다. 공개된 재해 데이터셋에 대한 실험 결과, 기존 분할 및 변경 감지 모델보다 구조적 피해의 위치 파악 및 분류 능력이 향상됨을 확인했습니다.
