論文の概要: Water level prediction from social media images with a multi-task ranking approach

• arxiv url: http://arxiv.org/abs/2007.06749v1
• Date: Tue, 14 Jul 2020 00:51:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 13:57:01.543747
• Title: Water level prediction from social media images with a multi-task ranking approach
• Title（参考訳）: マルチタスクランキングを用いたソーシャルメディア画像からの水位予測
• Authors: P. Chaudhary, S. D'Aronco, J.P. Leitao, K. Schindler, J.D. Wegner
• Abstract要約: 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。
• 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: Floods are among the most frequent and catastrophic natural disasters and affect millions of people worldwide. It is important to create accurate flood maps to plan (offline) and conduct (real-time) flood mitigation and flood rescue operations. Arguably, images collected from social media can provide useful information for that task, which would otherwise be unavailable. We introduce a computer vision system that estimates water depth from social media images taken during flooding events, in order to build flood maps in (near) real-time. We propose a multi-task (deep) learning approach, where a model is trained using both a regression and a pairwise ranking loss. Our approach is motivated by the observation that a main bottleneck for image-based flood level estimation is training data: it is diffcult and requires a lot of effort to annotate uncontrolled images with the correct water depth. We demonstrate how to effciently learn a predictor from a small set of annotated water levels and a larger set of weaker annotations that only indicate in which of two images the water level is higher, and are much easier to obtain. Moreover, we provide a new dataset, named DeepFlood, with 8145 annotated ground-level images, and show that the proposed multi-task approach can predict the water level from a single, crowd-sourced image with ~11 cm root mean square error.
• Abstract（参考訳）: 洪水は最も頻繁で壊滅的な自然災害であり、世界中の何百万人もの人々に影響を与えている。 正確な洪水地図を作成して(オフライン)計画し、(リアルタイム)洪水対策と洪水救助活動を行うことが重要である。 おそらくソーシャルメディアから集めた画像は、そのタスクに有用な情報を提供することができるだろう。 我々は,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導入し,洪水マップを(ほぼ)リアルタイムに構築する。 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(ディープ)学習手法を提案する。 画像に基づく水位推定の主なボトルネックはトレーニングデータであり,未制御の画像に適切な水深で注釈を付けるのに多くの労力を要する。 本研究では,2つの画像のうち,どの画像が水位が高いかを示すのみを示す,注釈付き水位と,より弱いアノテーションのセットから,予測器を消耗的に学習する方法を実証する。 さらに,DeepFloodという新たなデータセットと8145の注釈付き地上レベルの画像を提供し,提案手法により,1つのクラウドソース画像から約11cmの平均平方誤差で水位を予測することができることを示す。

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)
• Dual Adversarial Resilience for Collaborating Robust Underwater Image Enhancement and Perception [54.672052775549]
  本研究では,水中画像の強調と検出を行うために,CARNetと呼ばれる協調的対向レジリエンスネットワークを導入する。 本稿では,ネットワークが様々な種類の攻撃を識別・除去できるように,視覚駆動型と知覚駆動型の両方による同時攻撃訓練戦略を提案する。 実験により,提案手法は画像の高画質化を図り,最先端の手法よりも平均6.71%高い検出精度が得られた。
  論文  参考訳（メタデータ） (2023-09-03T06:52:05Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• 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)
• 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)
• 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)
• FloodNet: A High Resolution Aerial Imagery Dataset for Post Flood Scene Understanding [0.9786690381850354]
  FloodNetはハリケーン・ハーヴェイの後に撮影された高解像度UAV画像である。 このデータセットは、被災地域の浸水被害を示している。 深層学習アルゴリズムの進歩により、災害の影響を分析し、影響を受ける地域を正確に理解することができる。
  論文  参考訳（メタデータ） (2020-12-05T05:15:36Z)
• 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)
• Flood severity mapping from Volunteered Geographic Information by interpreting water level from images containing people: a case study of Hurricane Harvey [6.655087292045269]
  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。
  論文  参考訳（メタデータ） (2020-06-21T13:57:42Z)

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。