論文の概要: Finding Relevant Flood Images on Twitter using Content-based Filters

• arxiv url: http://arxiv.org/abs/2011.05756v1
• Date: Wed, 11 Nov 2020 13:16:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 23:33:13.886087
• Title: Finding Relevant Flood Images on Twitter using Content-based Filters
• Title（参考訳）: コンテンツベースフィルタを用いたTwitter上の関連する洪水画像の検索
• Authors: Bj\"orn Barz, Kai Schr\"oter, Ann-Christin Kra, Joachim Denzler
• Abstract要約: 機械学習技術を用いた自動フィルタリング手法を提案する。 本研究では,2つの大洪水イベントのケーススタディにおいて,2つの異なるアプローチと様々な特徴の評価を行った。
• 参考スコア（独自算出の注目度）: 7.2288756536476635
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The analysis of natural disasters such as floods in a timely manner often suffers from limited data due to coarsely distributed sensors or sensor failures. At the same time, a plethora of information is buried in an abundance of images of the event posted on social media platforms such as Twitter. These images could be used to document and rapidly assess the situation and derive proxy-data not available from sensors, e.g., the degree of water pollution. However, not all images posted online are suitable or informative enough for this purpose. Therefore, we propose an automatic filtering approach using machine learning techniques for finding Twitter images that are relevant for one of the following information objectives: assessing the flooded area, the inundation depth, and the degree of water pollution. Instead of relying on textual information present in the tweet, the filter analyzes the image contents directly. We evaluate the performance of two different approaches and various features on a case-study of two major flooding events. Our image-based filter is able to enhance the quality of the results substantially compared with a keyword-based filter, improving the mean average precision from 23% to 53% on average.
• Abstract（参考訳）: タイムリーな方法で洪水などの自然災害の分析は、粗い分散センサーやセンサー故障による限られたデータに悩まされることが多い。 同時に、Twitterなどのソーシャルメディアプラットフォームに投稿されたイベントの画像には、大量の情報が埋められている。 これらの画像は、状況の文書化と迅速な評価、センサーから得られないプロキシデータ(例えば、水質汚染の程度)の導出に使用できる。 しかし、オンラインに投稿されたすべての画像がこの目的に十分適しているわけではない。 そこで本研究では,洪水地域,浸水深さ,水質汚染の程度など,情報目的の1つに関係するtwitter画像を検出するための機械学習手法を用いた自動フィルタリング手法を提案する。 ツイートに存在するテキスト情報に頼る代わりに、フィルタは画像の内容を直接分析する。 本研究では,2つの大洪水イベントのケーススタディにおける2つの異なるアプローチと様々な特徴の評価を行った。 画像ベースフィルタは,キーワードベースフィルタと比較して検索結果の質を著しく向上し,平均精度を平均23%から53%に向上させることができる。

関連論文リスト

• Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
  実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。 それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。 以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
  論文  参考訳（メタデータ） (2024-11-12T01:17:27Z)
• bit2bit: 1-bit quanta video reconstruction via self-supervised photon prediction [57.199618102578576]
  疎二分量時間画像データから高画質の画像スタックを元の解像度で再構成する新しい方法であるbit2bitを提案する。 Poisson denoisingの最近の研究に触発されて、スパースバイナリ光子データから高密度な画像列を生成するアルゴリズムを開発した。 本研究では,様々な課題の画像条件下でのSPADの高速映像を多種多種に含む新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2024-10-30T17:30:35Z)
• Analyzing Noise Models and Advanced Filtering Algorithms for Image Enhancement [0.0]
  本研究の目的は,8種類のノイズを持つ画像に対する異なるフィルタリング手法の有効性を評価することである。 様々な種類の雑音に様々なフィルタを適用することで、異なるフィルタがノイズモデルに与える影響を示す。
  論文  参考訳（メタデータ） (2024-10-29T11:05:52Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• Single Image Deraining via Feature-based Deep Convolutional Neural Network [13.39233717329633]
  データ駆動型アプローチとモデルベースアプローチを組み合わせた,単一画像デラミニングアルゴリズムを提案する。 実験の結果,提案アルゴリズムは質的,定量的両面で最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-05-03T13:12:51Z)
• SUCRe: Leveraging Scene Structure for Underwater Color Restoration [1.9490160607392462]
  本研究では,シーンの3次元構造を利用した水中色復元手法であるSUCReを紹介する。 我々は、自然光から深海環境まで様々なシナリオにおいて、我々のアプローチを定量的、質的に分析する。
  論文  参考訳（メタデータ） (2022-12-18T16:53:13Z)
• 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)
• Content-Based Detection of Temporal Metadata Manipulation [91.34308819261905]
  画像の撮像時間とその内容と地理的位置とが一致しているかどうかを検証するためのエンドツーエンドのアプローチを提案する。 中心となる考え方は、画像の内容、キャプチャ時間、地理的位置が一致する確率を予測するための教師付き一貫性検証の利用である。 我々のアプローチは、大規模なベンチマークデータセットの以前の作業により改善され、分類精度が59.03%から81.07%に向上した。
  論文  参考訳（メタデータ） (2021-03-08T13:16:19Z)
• Underwater image filtering: methods, datasets and evaluation [44.933577173776705]
  水中画像フィルタリング法の設計原理を概観する。 各種水系における画像形成モデルと復元方法の結果について検討する。 ニューラルネットワークのトレーニングや手法評価のためのタスク依存型強化手法とデータセットを提案する。
  論文  参考訳（メタデータ） (2020-12-22T18:56:39Z)

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。