본 논문은 도로 장면 데이터셋을 이용한 도시 사건(예: 침수) 탐지의 어려움, 특히 신뢰할 수 있는 레이블 부족 문제를 해결하기 위해 BayFlood라는 새로운 방법을 제안합니다. BayFlood는 사전 훈련된 비전-언어 모델(VLM)을 이용한 제로샷 분류와 공간 베이지안 모델링을 결합한 두 단계 접근 방식입니다. VLM을 통해 대규모 레이블 데이터셋의 어노테이션 없이도 침수 발생 위치를 예측하고, 베이지안 모델을 통해 불확실성 측정, 공간적 평활화, 외부 데이터 통합(예: 빗물 축적 지역) 등을 수행합니다. 여러 도시와 기간에 걸쳐 VLM의 제로샷 성능을 검증하고, 베이지안 모델이 기존 방법보다 예측 성능을 향상시키며, 예측된 홍수 위험이 기존 위험 요인과 상관관계가 있음을 보여줍니다. BayFlood는 기존 방법으로는 파악하지 못한 113,738명의 고위험 인구를 식별하고, 기존 방법의 인구통계적 편향을 드러내며, 새로운 홍수 센서 설치 위치를 제안하는 등 도시 홍수 탐지 개선에 활용될 수 있음을 보여줍니다. 결론적으로, 본 논문은 제로샷 LM 어노테이션에 대한 베이지안 모델링이 대규모 레이블 데이터셋 수집 없이 기초 모델의 성능을 활용하면서 베이지안 모델의 표현력과 불확실성 정량화 기능을 제공하는 유망한 패러다임임을 보여줍니다.
