論文の概要: Flood severity mapping from Volunteered Geographic Information by interpreting water level from images containing people: a case study of Hurricane Harvey

• arxiv url: http://arxiv.org/abs/2006.11802v2
• Date: Wed, 30 Sep 2020 16:11:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 12:24:56.843351
• Title: Flood severity mapping from Volunteered Geographic Information by interpreting water level from images containing people: a case study of Hurricane Harvey
• Title（参考訳）: 人を含む画像から水位を解釈したボランティア地理情報からの洪水重大度マッピング:ハリケーン・ハーベイを事例として
• Authors: Yu Feng, Claus Brenner, Monika Sester
• Abstract要約: ソーシャルメディアは、新しいデータソースとして、洪水モニタリングのためのリアルタイム情報を提供することができる。 近年の研究では,テキストに加えて画像解析による洪水関連記事の抽出に焦点が当てられている。 本稿では,洪水重大度情報を抽出し,マッピングする新しい3段階プロセスを提案する。
• 参考スコア（独自算出の注目度）: 6.655087292045269
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With increasing urbanization, in recent years there has been a growing interest and need in monitoring and analyzing urban flood events. Social media, as a new data source, can provide real-time information for flood monitoring. The social media posts with locations are often referred to as Volunteered Geographic Information (VGI), which can reveal the spatial pattern of such events. Since more images are shared on social media than ever before, recent research focused on the extraction of flood-related posts by analyzing images in addition to texts. Apart from merely classifying posts as flood relevant or not, more detailed information, e.g. the flood severity, can also be extracted based on image interpretation. However, it has been less tackled and has not yet been applied for flood severity mapping. In this paper, we propose a novel three-step process to extract and map flood severity information. First, flood relevant images are retrieved with the help of pre-trained convolutional neural networks as feature extractors. Second, the images containing people are further classified into four severity levels by observing the relationship between body parts and their partial inundation, i.e. images are classified according to the water level with respect to different body parts, namely ankle, knee, hip, and chest. Lastly, locations of the Tweets are used for generating a map of estimated flood extent and severity. This process was applied to an image dataset collected during Hurricane Harvey in 2017, as a proof of concept. The results show that VGI can be used as a supplement to remote sensing observations for flood extent mapping and is beneficial, especially for urban areas, where the infrastructure is often occluding water. Based on the extracted water level information, an integrated overview of flood severity can be provided for the early stages of emergency response.
• Abstract（参考訳）: 都市化が進むにつれて、近年は都市洪水の監視と分析への関心とニーズが高まっている。 ソーシャルメディアは、新しいデータソースとして、洪水モニタリングのためのリアルタイム情報を提供することができる。 位置情報のあるソーシャルメディア投稿は、しばしばVGI(Volunteered Geographic Information)と呼ばれ、そのような出来事の空間的パターンを明らかにすることができる。 これまでにないほど多くの画像がソーシャルメディアで共有されているため、近年の研究では、テキストに加えて画像分析による洪水関連投稿の抽出に焦点が当てられている。 単に投稿を洪水と分類するだけでなく、より詳細な情報(例えば洪水の重大さ)も画像解釈に基づいて抽出することができる。 しかし, あまり取り組まれておらず, 洪水重大度マッピングには適用されていない。 本稿では,洪水重大度情報を抽出し,マッピングする新しい3段階プロセスを提案する。 まず、事前訓練された畳み込みニューラルネットワークを特徴抽出器として、洪水関連画像を検索する。 第2に、人を含む画像は、体部とその部分浸水の関係を観察して、さらに4つの重症度レベルに分類され、すなわち、足首、膝、股関節、胸部など異なる身体部位について水位に応じて画像が分類される。 最後に、ツイートの場所は、洪水の規模と深刻度の推定マップを生成するために使用される。 このプロセスは、2017年のハリケーン・ハーベイで収集された画像データセットに適用された。 以上の結果から,VGIは水深マッピングのためのリモートセンシング観測の補助として利用でき,特にインフラが水を取り除きがちな都市部において有用であることが示唆された。 抽出した水位情報に基づいて,緊急対応の初期段階において,洪水重大度を総合的に概観することができる。

関連論文リスト

• Automated Floodwater Depth Estimation Using Large Multimodal Model for Rapid Flood Mapping [0.0]
  本稿では, 現場の洪水写真から洪水深度を推定するための, 自動的かつ高速なアプローチを提案する。 事前訓練された大型マルチモーダルモデルであるGPT-4 Visionは、特に洪水水を推定するために使用された。 その結果, 提案手法は, 洪水写真からの洪水深度を迅速かつ確実に推定できることを示した。
  論文  参考訳（メタデータ） (2024-02-26T16:02:15Z)
• Leveraging Citizen Science for Flood Extent Detection using Machine Learning Benchmark Dataset [0.9029386959445269]
  我々は、アメリカ本土とバングラデシュ内の約36,000平方キロメートルの地域をカバーする、既知の洪水イベントの間に、ラベル付きの水域範囲と浸水地域の範囲を作成します。 また、データセットをオープンソース化し、データセットに基づいたオープンコンペティションを開催して、コミュニティ生成モデルを使用した洪水範囲検出を迅速にプロトタイプ化しました。 データセットはSentinel-1C SARデータに基づく既存のデータセットに追加され、より堅牢な洪水範囲のモデリングにつながります。
  論文  参考訳（メタデータ） (2023-11-15T18:49:29Z)
• Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
  オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。 提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
  論文  参考訳（メタデータ） (2022-12-23T03:00:28Z)
• Crowdsourced-based Deep Convolutional Networks for Urban Flood Depth Mapping [1.6244541005112747]
  本稿では,深部畳み込みネットワークを用いて,沈み込み交通標識のクラウドソース画像を分析し,高空間分解能で洪水深度を推定する。 米国とカナダの最近の洪水で撮影された写真でモデルをテストすると、平均的な絶対誤差は6.978 in.であり、これは以前の研究と同程度である。
  論文  参考訳（メタデータ） (2022-09-06T18:16:12Z)
• There is a Time and Place for Reasoning Beyond the Image [63.96498435923328]
  画像は人間の目へのピクセルだけでなく、他のソースからのコンテキスト情報から推論、関連付け、推論して、推論することで、より完全な画像を確立することができる。 我々は、ニューヨーク・タイムズ(NYT)から自動的に抽出された16k画像と関連するニュース、時間、位置のデータセットTARAと、WITから離れた監視対象として追加で61k例を紹介した。 我々は、最先端のジョイントモデルと人間のパフォーマンスの間に70%のギャップがあることを示し、これは、セグメントワイズ推論を用いて高レベルな視覚言語ジョイントモデルを動機づける提案モデルによってわずかに満たされている。
  論文  参考訳（メタデータ） (2022-03-01T21:52:08Z)
• Feasibility study of urban flood mapping using traffic signs for route optimization [9.973554387848257]
  水害は世界で最も頻繁に発生し、最もコストがかかる気候災害である。 アメリカ合衆国では、海岸部に住む推定1億2700万人がハリケーンや洪水による住宅被害の恐れがある。
  論文  参考訳（メタデータ） (2021-09-24T02:13:23Z)
• Underwater Image Restoration via Contrastive Learning and a Real-world Dataset [59.35766392100753]
  本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元手法を提案する。 提案手法は, 生画像と復元画像の相互情報を最大化するために, コントラスト学習と生成敵ネットワークを利用した。
  論文  参考訳（メタデータ） (2021-06-20T16:06:26Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
  我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。 純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。 我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
  論文  参考訳（メタデータ） (2021-04-10T15:00:15Z)
• Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
  我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。 物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。 この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
  論文  参考訳（メタデータ） (2020-10-16T02:15:34Z)
• Water level prediction from social media images with a multi-task ranking approach [0.0]
  本稿では,洪水時のソーシャルメディア画像から水深を推定するコンピュータビジョンシステムを提案する。 本稿では,回帰学習とペアランキング損失の両方を用いてモデルを訓練するマルチタスク学習手法を提案する。 提案手法は,11cmの根平均平方誤差を持つ1つのクラウドソース画像から,水位を推定できることを示す。
  論文  参考訳（メタデータ） (2020-07-14T00:51:29Z)

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。