論文の概要: Social Media Images Classification Models for Real-time Disaster Response

• arxiv url: http://arxiv.org/abs/2104.04184v1
• Date: Fri, 9 Apr 2021 04:30:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-12 14:09:07.251915
• Title: Social Media Images Classification Models for Real-time Disaster Response
• Title（参考訳）: リアルタイム災害対応のためのソーシャルメディア画像分類モデル
• Authors: Firoj Alam, Tanvirul Alam, Ferda Ofli, Muhammad Imran
• Abstract要約: ソーシャルメディアで共有された画像は、状況の認識と被った損害の評価の観点から危機管理者を助けます。 リアルタイム画像分類は、より高速な応答を取るために緊急の要求となった。 最近のコンピュータビジョンとディープニューラルネットワークの進歩により、リアルタイム画像分類モデルの開発が可能になった。
• 参考スコア（独自算出の注目度）: 5.937482215664902
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Images shared on social media help crisis managers in terms of gaining situational awareness and assessing incurred damages, among other response tasks. As the volume and velocity of such content are really high, therefore, real-time image classification became an urgent need in order to take a faster response. Recent advances in computer vision and deep neural networks have enabled the development of models for real-time image classification for a number of tasks, including detecting crisis incidents, filtering irrelevant images, classifying images into specific humanitarian categories, and assessing the severity of the damage. For developing real-time robust models, it is necessary to understand the capability of the publicly available pretrained models for these tasks. In the current state-of-art of crisis informatics, it is under-explored. In this study, we address such limitations. We investigate ten different architectures for four different tasks using the largest publicly available datasets for these tasks. We also explore the data augmentation, semi-supervised techniques, and a multitask setup. In our extensive experiments, we achieve promising results.
• Abstract（参考訳）: ソーシャルメディアで共有されている画像は、危機管理担当者が状況認識を得て、発生した損害を評価するのに役立つ。 このようなコンテンツのボリュームと速度が本当に高いため、より高速な応答を実現するために、リアルタイム画像分類が緊急必要となった。 コンピュータビジョンとディープニューラルネットワークの最近の進歩により、危機事故の検出、無関係な画像のフィルタリング、特定の人道的カテゴリへの分類、損傷の深刻度の評価など、様々なタスクのリアルタイム画像分類モデルの開発が可能になった。 リアルタイムのロバストなモデルを開発するためには,これらのタスクに対して利用可能な事前学習モデルの有効性を理解する必要がある。 現在の危機情報学の現状では、未調査である。 本研究では,このような制限について論じる。 これら4つのタスクに対する10の異なるアーキテクチャを,これらのタスクのための最大公用データセットを用いて検討する。 また、データ拡張、半教師付き技術、マルチタスク設定についても検討する。 大規模な実験では、有望な結果が得られる。

関連論文リスト

• MatchAnything: Universal Cross-Modality Image Matching with Large-Scale Pre-Training [62.843316348659165]
  ディープラーニングに基づく画像マッチングアルゴリズムは、人間を劇的に上回り、大量の対応を素早く正確に見つける。 本稿では, 画像間の基本構造を認識し, 一致させるためのモデル学習のために, 合成モード間学習信号を利用する大規模事前学習フレームワークを提案する。 我々の重要な発見は、我々のフレームワークで訓練されたマッチングモデルが、目に見えない8つのクロスモダリティ登録タスクにまたがる顕著な一般化性を達成することである。
  論文  参考訳（メタデータ） (2025-01-13T18:37:36Z)
• A Review of Image Retrieval Techniques: Data Augmentation and Adversarial Learning Approaches [0.0]
  本稿では,検索性能向上におけるデータ強化と対人学習技術の役割について概説する。 データ拡張は、より多様なトレーニングサンプルを生成し、現実世界のバリエーションをシミュレートし、オーバーフィッティングを減らすことで、モデルの一般化能力と堅牢性を高める。 敵の攻撃と防衛は 訓練中に混乱をもたらす 潜在的な攻撃に対する モデルの堅牢性を改善するために
  論文  参考訳（メタデータ） (2024-09-02T12:55:17Z)
• CrisisViT: A Robust Vision Transformer for Crisis Image Classification [5.14879510106258]
  本稿では,画像の自動分類・タグ付けに最先端のディープニューラルモデルを用いることを提案する。 我々は、新しいインシデント1M危機画像データセットを活用し、新しいトランスフォーマーベースの画像分類モデルを開発する。
  論文  参考訳（メタデータ） (2024-01-05T14:45:45Z)
• Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
  ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。 ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。 新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
  論文  参考訳（メタデータ） (2023-08-27T03:55:28Z)
• MEDIC: A Multi-Task Learning Dataset for Disaster Image Classification [6.167082944123002]
  我々は,人道支援のためのソーシャルメディア画像分類データセットとして最大のMEDICを提案する。 MEDICは71,198の画像で構成され、マルチタスク学習のセットアップで4つのタスクに対処する。 ソーシャルメディアの画像、災害対応、マルチタスク学習研究などだ。
  論文  参考訳（メタデータ） (2021-08-29T11:55:50Z)
• Causal Navigation by Continuous-time Neural Networks [108.84958284162857]
  本研究では,連続時間ニューラルネットワークを用いた因果表現学習のための理論的,実験的枠組みを提案する。 本手法は,ドローンの視覚制御学習の文脈において,一連の複雑なタスクにおいて評価する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:32Z)
• Deep Image Destruction: A Comprehensive Study on Vulnerability of Deep Image-to-Image Models against Adversarial Attacks [104.8737334237993]
  本稿では,敵対的攻撃に対する深部画像対画像モデルの脆弱性に関する包括的調査を行う。 一般的な5つの画像処理タスクでは、さまざまな観点から16の深いモデルが分析される。 画像分類タスクとは異なり、画像間タスクの性能劣化は様々な要因によって大きく異なることが示される。
  論文  参考訳（メタデータ） (2021-04-30T14:20:33Z)
• Factors of Influence for Transfer Learning across Diverse Appearance Domains and Task Types [50.1843146606122]
  現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。 転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。 本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
  論文  参考訳（メタデータ） (2021-03-24T16:24:20Z)
• On the Post-hoc Explainability of Deep Echo State Networks for Time Series Forecasting, Image and Video Classification [63.716247731036745]
  エコー状態ネットワークは、主に学習アルゴリズムの単純さと計算効率のために、時間を通じて多くのスターを惹きつけてきた。 本研究では,時間系列,画像,映像データを用いた学習タスクに適用した場合のエコー状態ネットワークの説明可能性について検討した。 本研究では,これらの反復モデルが把握した知識に関する理解可能な情報を抽出する3つの手法を提案する。
  論文  参考訳（メタデータ） (2021-02-17T08:56:33Z)
• Deep Learning Benchmarks and Datasets for Social Media Image Classification for Disaster Response [5.610924570214424]
  本研究では,災害タイプ検出,情報度分類,被害重大度評価のための新しいデータセットを提案する。 我々は、最先端のディープラーニングモデルをいくつかベンチマークし、有望な結果を得る。 我々は、適切なベースラインを提供するとともに、危機情報化コミュニティにおけるさらなる研究を促進するために、データセットとモデルを公開しています。
  論文  参考訳（メタデータ） (2020-11-17T20:15:49Z)
• Unsupervised and Interpretable Domain Adaptation to Rapidly Filter Tweets for Emergency Services [18.57009530004948]
  本稿では,TRECインシデントストリームの公開データセットを用いて,危機時に関連するツイートを分類する新しい手法を提案する。 私たちは各タスクに専用の注意層を使用して、モデル解釈可能性を提供しています。 新型コロナウイルスのパンデミックに対するユースケースを提供することで、我々の仕事の実践的な意味を示す。
  論文  参考訳（メタデータ） (2020-03-04T06:40:14Z)

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。