Fugu-MT 論文翻訳(概要): Train and Deploy an Image Classifier for Disaster Response

論文の概要: Train and Deploy an Image Classifier for Disaster Response

arxiv url: http://arxiv.org/abs/2005.05495v1
Date: Tue, 12 May 2020 00:45:48 GMT
ステータス: 処理完了
システム内更新日: 2022-12-03 19:07:24.317115
Title: Train and Deploy an Image Classifier for Disaster Response
Title（参考訳）: 災害対応のための画像分類器の訓練と展開
Authors: Jianyu Mao, Kiana Harris, Nae-Rong Chang, Caleb Pennell, Yiming Ren
Abstract要約: 我々は,最大79%の精度で設定した大規模な画像データから,洪水災害画像の分類を行った。データセットを扱うためのモデルとチュートリアルは、画像に含まれる他の種類の災害を分類するための基盤を作りました。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With Deep Learning Image Classification becoming more powerful each year, it is apparent that its introduction to disaster response will increase the efficiency that responders can work with. Using several Neural Network Models, including AlexNet, ResNet, MobileNet, DenseNets, and 4-Layer CNN, we have classified flood disaster images from a large image data set with up to 79% accuracy. Our models and tutorials for working with the data set have created a foundation for others to classify other types of disasters contained in the images.
Abstract（参考訳）: 深層学習画像分類が年々強力になるにつれて,災害対応の導入によって,対応者の作業効率が向上することが明らかとなった。 AlexNet、ResNet、MobileNet、DenseNets、および4-Layer CNNなどのニューラルネットワークモデルを用いて、最大79%の精度で設定された大規模な画像データから洪水災害画像を分類した。私たちのモデルとデータセットを扱うチュートリアルは、画像に含まれる他のタイプの災害を分類するための基盤を作りました。

関連論文リスト

Leveraging CNNs and Ensemble Learning for Automated Disaster Image Classification [0.0]
本稿では,畳み込みニューラルネットワーク(CNN)を用いた自然災害画像の分類に着目する。複数のCNNアーキテクチャが建設され、地震、洪水、山火事、火山のイメージを含むデータセットで訓練された。積み重ねられたCNNアンサンブルアプローチが最も効果的であることが証明され、95%の精度が達成され、F1スコアは個々のクラスで0.96まで上昇した。
論文参考訳（メタデータ） (2023-11-22T17:06:57Z)
CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster Tweet Classification [51.58605842457186]
半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
論文参考訳（メタデータ） (2023-10-23T07:01:09Z)
Impact of Scaled Image on Robustness of Deep Neural Networks [0.0]
生画像のスケーリングはアウト・オブ・ディストリビューションデータを生成するため、ネットワークを騙すための敵攻撃の可能性がある。本研究では,ImageNet Challengeデータセットのサブセットを複数でスケーリングすることで,Scaling-DistortionデータセットのImageNet-CSを提案する。
論文参考訳（メタデータ） (2022-09-02T08:06:58Z)
Deep Learning Benchmarks and Datasets for Social Media Image Classification for Disaster Response [5.610924570214424]
本研究では,災害タイプ検出,情報度分類,被害重大度評価のための新しいデータセットを提案する。我々は、最先端のディープラーニングモデルをいくつかベンチマークし、有望な結果を得る。我々は、適切なベースラインを提供するとともに、危機情報化コミュニティにおけるさらなる研究を促進するために、データセットとモデルを公開しています。
論文参考訳（メタデータ） (2020-11-17T20:15:49Z)
Shape-Texture Debiased Neural Network Training [50.6178024087048]
畳み込みニューラルネットワークは、トレーニングデータセットによって、テクスチャまたは形状にバイアスされることが多い。形状・テクスチャ・デバイアスド学習のためのアルゴリズムを開発した。実験により,本手法は複数の画像認識ベンチマークにおけるモデル性能の向上に成功していることが示された。
論文参考訳（メタデータ） (2020-10-12T19:16:12Z)
Increasing the Robustness of Semantic Segmentation Models with Painting-by-Numbers [39.95214171175713]
我々は,物体の形状に対するネットワークバイアスを増大させることにより,出力を改善することができる画像分類からの洞察に基づいて構築する。我々の基本的な考え方は、RGBトレーニング画像の一部を偽画像でアルファブレンドすることであり、各クラスラベルには、固定されたランダムに選択された色が与えられる。各種ネットワークバックボーン,MobileNet-V2,ResNets,Xceptionを用いたDeepLabv3+のトレーニングスキーマの有効性を実証し,Cityscapesデータセットで評価した。
論文参考訳（メタデータ） (2020-10-12T07:42:39Z)
Learning CNN filters from user-drawn image markers for coconut-tree image classification [78.42152902652215]
本稿では,CNNの特徴抽出器を訓練するために,最小限のユーザ選択画像を必要とする手法を提案する。本手法は,クラスを識別する画像領域のユーザ描画マーカーから,各畳み込み層のフィルタを学習する。バックプロパゲーションに基づく最適化には依存せず、ココナッツツリー空中画像のバイナリ分類にその利点を実証する。
論文参考訳（メタデータ） (2020-08-08T15:50:23Z)
Deep Learning-based Aerial Image Segmentation with Open Data for Disaster Impact Assessment [11.355723874379317]
セグメンテーションニューラルネットワークを利用したフレームワークは、災害後のシナリオで影響のある地域やアクセス可能な道路を特定するために提案されている。航空画像セグメンテーションにおけるImageNetの事前訓練の有効性について検討した。インドネシアのパウル島を襲った2018年の津波のデータから、提案された枠組みの有効性が示された。
論文参考訳（メタデータ） (2020-06-10T00:19:58Z)
From ImageNet to Image Classification: Contextualizing Progress on Benchmarks [99.19183528305598]
ImageNet作成プロセスにおける特定の設計選択が、結果のデータセットの忠実性に与える影響について検討する。私たちの分析では、ノイズの多いデータ収集パイプラインが、結果のベンチマークと、それがプロキシとして機能する実世界のタスクとの間に、体系的なミスアライメントをもたらす可能性があることを指摘しています。
論文参考訳（メタデータ） (2020-05-22T17:39:16Z)
Improved Residual Networks for Image and Video Recognition [98.10703825716142]
ResNets(Residual Networks)は、CNN(Convolutional Neural Network)アーキテクチャの強力なタイプである。ベースライン上での精度と学習収束性を一貫した改善を示す。提案手法では,高度に深いネットワークをトレーニングできるが,ベースラインは厳密な最適化問題を示す。
論文参考訳（メタデータ） (2020-04-10T11:09:50Z)
Neural Networks Are More Productive Teachers Than Human Raters: Active Mixup for Data-Efficient Knowledge Distillation from a Blackbox Model [57.41841346459995]
我々は,ブラックボックス教師モデルから知識を抽出し,学生の深層ニューラルネットワークを視覚認識のために訓練する方法を,データ効率のよい方法で研究する。混合学習とアクティブラーニングを融合した手法を提案する。
論文参考訳（メタデータ） (2020-03-31T05:44:55Z)

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。