論文の概要: Street to Cloud: Improving Flood Maps With Crowdsourcing and Semantic
Segmentation
- arxiv url: http://arxiv.org/abs/2011.08010v1
- Date: Thu, 5 Nov 2020 16:36:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 11:40:29.141141
- Title: Street to Cloud: Improving Flood Maps With Crowdsourcing and Semantic
Segmentation
- Title(参考訳): street to cloud:クラウドソーシングとセマンティックセグメンテーションによる洪水マップの改善
- Authors: Veda Sunkara, Matthew Purri, Bertrand Le Saux, Jennifer Adams
- Abstract要約: Street to Cloudは、クラウドソーシングされた地上真実データを洪水の衛星画像のセグメンテーションに組み込むための機械学習パイプラインである。
本稿では,高品質の手書きトレーニングデータを生成する作業集約型タスクの解決策として,このアプローチを提案する。
- 参考スコア(独自算出の注目度): 31.204782936478487
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To address the mounting destruction caused by floods in climate-vulnerable
regions, we propose Street to Cloud, a machine learning pipeline for
incorporating crowdsourced ground truth data into the segmentation of satellite
imagery of floods. We propose this approach as a solution to the
labor-intensive task of generating high-quality, hand-labeled training data,
and demonstrate successes and failures of different plausible crowdsourcing
approaches in our model. Street to Cloud leverages community reporting and
machine learning to generate novel, near-real time insights into the extent of
floods to be used for emergency response.
- Abstract(参考訳): 気候にやさしい地域での洪水による被害に対処するため,我々は,クラウドソーシングされた地上真実データを洪水の衛星画像のセグメンテーションに組み込む機械学習パイプラインであるStreet to Cloudを提案する。
我々は,このアプローチを,高品質で手書きのトレーニングデータを生成するという労働集約的な課題に対する解決策として提案し,異なるクラウドソーシング手法の成功と失敗を実証する。
Street to Cloudは、コミュニティレポートと機械学習を活用して、緊急対応に使用する洪水の程度に関する、新しいほぼリアルタイムな洞察を生成する。
関連論文リスト
- DCS-Net: Pioneering Leakage-Free Point Cloud Pretraining Framework with
Global Insights [55.051626723729896]
微分可能中心サンプリングネットワーク(DCS-Net)と呼ばれる新しいソリューションを導入する。
グローバルな特徴再構成とローカルな特徴再構成の両方を非自明なプロキシタスクとして組み込むことで,情報漏洩問題に対処する。
実験により,本手法は既存の点雲モデルの表現能力を向上することを示した。
論文 参考訳(メタデータ) (2024-02-03T08:58:23Z) - 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) - Exploring the Application of Large-scale Pre-trained Models on Adverse
Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。
このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文 参考訳(メタデータ) (2023-06-15T10:06:13Z) - A Survey of Label-Efficient Deep Learning for 3D Point Clouds [114.20981754985218]
本稿では,点雲のラベル効率学習に関する包括的調査を行う。
本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。
それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
論文 参考訳(メタデータ) (2023-05-31T12:54:51Z) - Hierarchical Terrain Attention and Multi-Scale Rainfall Guidance For
Flood Image Prediction [14.075721797920679]
本稿では,階層的な地形空間の注意を取り入れた,精密な洪水地図予測のための新しい枠組みを提案する。
我々は, 発電機と判別器の双方に降雨回帰損失を付加監督として活用する。
我々の手法は降雨条件の異なる過去の技術を大きく上回っている。
論文 参考訳(メタデータ) (2022-12-04T13:17:21Z) - Unsupervised Restoration of Weather-affected Images using Deep Gaussian
Process-based CycleGAN [92.15895515035795]
本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。
我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。
提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
論文 参考訳(メタデータ) (2022-04-23T01:30:47Z) - Unsupervised Point Cloud Representation Learning with Deep Neural
Networks: A Survey [104.71816962689296]
大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。
本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
論文 参考訳(メタデータ) (2022-02-28T07:46:05Z) - A Machine learning approach for rapid disaster response based on
multi-modal data. The case of housing & shelter needs [0.0]
災害に遭った人々の最も直接的なニーズの1つは避難所を見つけることである。
本稿では,マルチモーダルデータの融合と解析を目的とした機械学習ワークフローを提案する。
世界中の200以上の災害に対する19の特徴のデータベースに基づいて、意思決定レベルでの融合アプローチが用いられた。
論文 参考訳(メタデータ) (2021-07-29T18:22:34Z) - A Network Percolation-based Contagion Model of Flood Propagation and
Recession in Urban Road Networks [2.5876546798940616]
都市道路網は公共サービスの提供や緊急対応に不可欠である。
本研究では,都市道路網における洪水水の時空間拡散・後退過程を数学的に記述する。
提案モデルの適用は,2017年のハリケーン・ハーベイにおけるハリス郡の道路洪水の高解像度履歴データを用いて検証された。
論文 参考訳(メタデータ) (2020-04-07T17:25:41Z) - Localized Flood DetectionWith Minimal Labeled Social Media Data Using
Transfer Learning [3.964047152162558]
ソーシャルセンシングモデル(Twitter)を用いた局所的な洪水検出の問題点について検討する。
本研究は,緊急意思決定や救助活動,早期警戒等のために,洪水関連のアップデートや通知を市当局に提供する上で極めて有効である。
論文 参考訳(メタデータ) (2020-02-10T20:17:34Z)
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。