論文の概要: Assessing Post-Disaster Damage from Satellite Imagery using Semi-Supervised Learning Techniques

• arxiv url: http://arxiv.org/abs/2011.14004v1
• Date: Tue, 24 Nov 2020 22:26:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 13:03:46.092999
• Title: Assessing Post-Disaster Damage from Satellite Imagery using Semi-Supervised Learning Techniques
• Title（参考訳）: 半監督学習技術を用いた衛星画像からの災害後損傷の評価
• Authors: Jihyeon Lee, Joseph Z. Xu, Kihyuk Sohn, Wenhan Lu, David Berthelot, Izzeddin Gur, Pranav Khaitan, Ke-Wei (Fiona) Huang, Kyriacos Koupparis, Bernhard Kowatsch
• Abstract要約: 本稿では,損傷評価のためのトレーニングモデルに対する半教師付き学習(SSL)の新たな応用について述べる。 我々は、MixMatchやFixMatchといった最先端のSSLメソッドのパフォーマンスを、2010年のハイチ地震、2017年のサンタローザ山火事、2016年のシリアにおける武装紛争の監視ベースラインと比較する。 ラベル付きデータが少ないにもかかわらず、SSLメソッドでトレーニングされたモデルが完全に教師付きパフォーマンスを実現する方法を示す。
• 参考スコア（独自算出の注目度）: 15.264481724699456
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: To respond to disasters such as earthquakes, wildfires, and armed conflicts, humanitarian organizations require accurate and timely data in the form of damage assessments, which indicate what buildings and population centers have been most affected. Recent research combines machine learning with remote sensing to automatically extract such information from satellite imagery, reducing manual labor and turn-around time. A major impediment to using machine learning methods in real disaster response scenarios is the difficulty of obtaining a sufficient amount of labeled data to train a model for an unfolding disaster. This paper shows a novel application of semi-supervised learning (SSL) to train models for damage assessment with a minimal amount of labeled data and large amount of unlabeled data. We compare the performance of state-of-the-art SSL methods, including MixMatch and FixMatch, to a supervised baseline for the 2010 Haiti earthquake, 2017 Santa Rosa wildfire, and 2016 armed conflict in Syria. We show how models trained with SSL methods can reach fully supervised performance despite using only a fraction of labeled data and identify areas for further improvements.
• Abstract（参考訳）: 地震、山火事、武力紛争などの災害に対応するため、人道的組織は、建物や人口中心が最も影響を受けていることを示す損害評価という形で正確かつタイムリーなデータを要求している。 最近の研究は、機械学習とリモートセンシングを組み合わせることで、衛星画像からこれらの情報を自動的に抽出し、手作業とターンアラウンド時間を削減する。 実際の災害対応シナリオで機械学習手法を使用する上での大きな障害は、展開する災害のモデルをトレーニングするための十分なラベル付きデータを取得することの難しさである。 本稿では,ラベル付きデータとラベルなしデータの量を最小限に抑えた損傷評価モデルに対する半教師付き学習(SSL)の新たな応用について述べる。 我々は,2010年ハイチ地震,2017年サンタローザ山火事,2016年のシリアの武力紛争において,ミックスマッチやフィクスマッチを含む最先端ssl手法の性能を教師付きベースラインと比較した。 少数のラベル付きデータを使用しながら、SSLメソッドでトレーニングされたモデルが完全に教師付きパフォーマンスに到達し、さらなる改善のために領域を特定する方法を示す。

関連論文リスト

• Towards Efficient Disaster Response via Cost-effective Unbiased Class Rate Estimation through Neyman Allocation Stratified Sampling Active Learning [11.697034536189094]
  本稿では,二分分類のためのランダムサンプリング木を構築する革新的なアルゴリズムを提案する。 その結果,本手法は受動的および従来の能動的学習手法を超越していることが判明した。 従来のアクティブな学習戦略における「サンプルバイアス」の課題に効果的に対処する。
  論文  参考訳（メタデータ） (2024-05-28T01:34:35Z)
• 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)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced Dataset and Benchmark [62.997667081978825]
  本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。 データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
  論文  参考訳（メタデータ） (2022-05-20T21:15:26Z)
• Interpretability in Convolutional Neural Networks for Building Damage Classification in Satellite Imagery [0.0]
  我々は、プレサスタ衛星画像とポストサスタ衛星画像とをラベル付けしたデータセットを使用して、建物ごとの損傷を評価する。 複数の畳み込みニューラルネットワーク(CNN)をトレーニングし、建物ごとの損傷を評価する。 我々の研究は、人為的気候変動による人道的危機の進行に、計算的に貢献することを目指している。
  論文  参考訳（メタデータ） (2022-01-24T16:55:56Z)
• Building Damage Mapping with Self-PositiveUnlabeled Learning [20.506846173463785]
  人道的な組織は、災害に対応するために、迅速で信頼性の高いデータを持っていなければならない。 深層学習のアプローチは、被害状況の真実データを収集することが難しいため、現実世界の災害において実装が困難である。 建築物の損傷評価に有効に適用することにより,近年の自己ペース型ポジティブ・アンラベルラーニング(PU)を実証した。
  論文  参考訳（メタデータ） (2021-11-04T02:04:37Z)
• NIDA-CLIFGAN: Natural Infrastructure Damage Assessment through Efficient Classification Combining Contrastive Learning, Information Fusion and Generative Adversarial Networks [0.0]
  本稿では,効率的な建物被害分類を実現するための体系的な取り組みを示す。 その結果,収集したデータの10%をGANと組み合わせたデータと計算効率を示し,計算時間を約半日から約1時間に短縮した。
  論文  参考訳（メタデータ） (2021-10-27T15:29:16Z)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)
• Assessing out-of-domain generalization for robust building damage detection [78.6363825307044]
  建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。 モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。 今後はOOD体制に重点を置くべきだと我々は主張する。
  論文  参考訳（メタデータ） (2020-11-20T10:30:43Z)
• Monitoring War Destruction from Space: A Machine Learning Approach [1.0149624140985478]
  紛争地帯における建物破壊に関する既存のデータは、目撃者の報告や手動による検出に依存している。 本稿では,ディープラーニング技術を用いた高解像度衛星画像の自動破壊計測手法を提案する。 我々は、シリア内戦と国内の主要都市における被害の進展にこの方法を適用した。
  論文  参考訳（メタデータ） (2020-10-12T19:01:20Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。