論文の概要: Rapid Damage Assessment Using Social Media Images by Combining Human and Machine Intelligence

• arxiv url: http://arxiv.org/abs/2004.06675v1
• Date: Tue, 14 Apr 2020 17:26:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 09:16:33.761868
• Title: Rapid Damage Assessment Using Social Media Images by Combining Human and Machine Intelligence
• Title（参考訳）: 人間と機械の知能を組み合わせたソーシャルメディア画像による迅速な被害評価
• Authors: Muhammad Imran, Firoj Alam, Umair Qazi, Steve Peterson and Ferda Ofli
• Abstract要約: 本研究は,現実の災害時におけるソーシャルメディア画像コンテンツの有用性を解析し,迅速な被害評価を行う。 自動画像処理システムが280K画像を処理し、災害による被害の程度を把握した。
• 参考スコア（独自算出の注目度）: 5.610924570214424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid damage assessment is one of the core tasks that response organizations perform at the onset of a disaster to understand the scale of damage to infrastructures such as roads, bridges, and buildings. This work analyzes the usefulness of social media imagery content to perform rapid damage assessment during a real-world disaster. An automatic image processing system, which was activated in collaboration with a volunteer response organization, processed ~280K images to understand the extent of damage caused by the disaster. The system achieved an accuracy of 76% computed based on the feedback received from the domain experts who analyzed ~29K system-processed images during the disaster. An extensive error analysis reveals several insights and challenges faced by the system, which are vital for the research community to advance this line of research.
• Abstract（参考訳）: 迅速な被害評価(rapid damage assessment)は、災害発生時に組織に応答し、道路、橋、建物などのインフラの損傷の規模を理解するための重要なタスクの1つである。 本研究は,ソーシャルメディア画像コンテンツの有用性を分析し,実災害時の迅速な被害評価を行う。 ボランティアの対応組織と連携して起動された自動画像処理システムは,災害による被害の程度を把握すべく,約280Kの画像を処理した。 このシステムは、災害時に約29Kのシステム処理された画像を分析したドメインの専門家からのフィードバックに基づいて76%の精度で計算された。 大規模なエラー分析により、システムで直面するいくつかの洞察と課題が明らかとなり、研究コミュニティがこの研究を前進させる上で不可欠である。

関連論文リスト

• Accelerating Post-Tornado Disaster Assessment Using Advanced Deep Learning Models [0.0]
  本研究は,先進的な深層学習モデルを用いて,災害後の評価を自動化する革新的なアプローチを導入する。 提案システムは,災害現場の画像や映像を高速に解析するために,最先端のコンピュータビジョン技術を用いている。 実験の結果,ResNet50の精度は90.28%,画像毎の推定時間は1529msであり,有望な性能を示した。
  論文  参考訳（メタデータ） (2024-12-24T04:04:33Z)
• AutoRG-Brain: Grounded Report Generation for Brain MRI [57.22149878985624]
  放射線学者は、大量の画像を日々のベースで解釈し、対応するレポートを生成する責任を負う。 この要求される作業負荷は、人間のエラーのリスクを高め、治療の遅れ、医療費の増加、収益損失、運用上の不効率につながる可能性がある。 地盤自動報告生成(AutoRG)に関する一連の研究を開始した。 このシステムは、脳の構造の明細化、異常の局所化、そしてよく組織化された発見の生成をサポートする。
  論文  参考訳（メタデータ） (2024-07-23T17:50:00Z)
• CrisisSense-LLM: Instruction Fine-Tuned Large Language Model for Multi-label Social Media Text Classification in Disaster Informatics [49.2719253711215]
  本研究では,事前学習型大規模言語モデル(LLM)の強化による災害テキスト分類への新たなアプローチを提案する。 本手法では,災害関連ツイートから包括的インストラクションデータセットを作成し,それをオープンソース LLM の微調整に用いる。 この微調整モデルでは,災害関連情報の種類,情報化,人的援助の関与など,複数の側面を同時に分類することができる。
  論文  参考訳（メタデータ） (2024-06-16T23:01:10Z)
• PAIF: Perception-Aware Infrared-Visible Image Fusion for Attack-Tolerant Semantic Segmentation [50.556961575275345]
  対向シーンにおけるセグメンテーションの堅牢性を促進するための認識認識型融合フレームワークを提案する。 我々は,先進の競争相手に比べて15.3% mIOUの利得で,ロバスト性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2023-08-08T01:55:44Z)
• Adversarially-Aware Robust Object Detector [85.10894272034135]
  本稿では,ロバスト検出器 (RobustDet) を提案する。 本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
  論文  参考訳（メタデータ） (2022-07-13T13:59:59Z)
• Deep-Disaster: Unsupervised Disaster Detection and Localization Using Visual Data [14.308913482163558]
  ソーシャルメディア画像の損傷を検知し、局所化する、教師なしのディープニューラルネットワークを提案する。 本手法は損傷領域の検出と局所化において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-01-31T19:21:44Z)
• Fully convolutional Siamese neural networks for buildings damage assessment from satellite images [1.90365714903665]
  自然災害後の被害評価は、災害から回復するための援助と力を最適に分配するために必要である。 本研究では,災害前後における同地域の衛星画像の自動比較のための計算手法を開発した。 我々は、広範囲にわたるアブレーション研究を含み、異なるエンコーダ、デコーダ、損失関数、拡張、および2つの画像を組み合わせるいくつかの方法を比較する。
  論文  参考訳（メタデータ） (2021-10-31T14:18:59Z)
• Detecting Damage Building Using Real-time Crowdsourced Images and Transfer Learning [53.26496452886417]
  本稿では,Twitterなどのソーシャルメディアプラットフォームから地震後の建物画像を自動的に抽出する手法を提案する。 トランスファーラーニングと6500枚の手動ラベル付き画像を用いて,現場に損傷のある建物を画像として認識する深層学習モデルを訓練した。 訓練されたモデルは、異なる場所で新たに取得した地震の画像でテストし、トルコのM7.0地震の後、Twitterのフィードでほぼリアルタイムで実行された。
  論文  参考訳（メタデータ） (2021-10-12T06:31:54Z)
• Social Media Images Classification Models for Real-time Disaster Response [5.937482215664902]
  ソーシャルメディアで共有された画像は、状況の認識と被った損害の評価の観点から危機管理者を助けます。 リアルタイム画像分類は、より高速な応答を取るために緊急の要求となった。 最近のコンピュータビジョンとディープニューラルネットワークの進歩により、リアルタイム画像分類モデルの開発が可能になった。
  論文  参考訳（メタデータ） (2021-04-09T04:30:04Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)
• An Attention-Based System for Damage Assessment Using Satellite Imagery [18.43310705820528]
  本稿では,建物の損傷レベルを評価するため,Siam-U-Net-Attnモデルを提案する。 大規模建物被害評価データセットである xView2 上で提案手法の評価を行い,提案手法が正確な被害規模分類と建物分割を同時に達成できることを実証した。
  論文  参考訳（メタデータ） (2020-04-14T16:37:55Z)

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。