論文の概要: Landslide Detection in Real-Time Social Media Image Streams
- arxiv url: http://arxiv.org/abs/2110.04080v1
- Date: Sun, 3 Oct 2021 10:52:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-17 05:11:56.303064
- Title: Landslide Detection in Real-Time Social Media Image Streams
- Title(参考訳): リアルタイムソーシャルメディア画像ストリームにおける地すべり検出
- Authors: Ferda Ofli, Muhammad Imran, Umair Qazi, Julien Roch, Catherine
Pennington, Vanessa J. Banks, Remy Bossu
- Abstract要約: ソーシャルメディアの画像ストリーム中の地すべりをリアルタイムで検出するコンピュータビジョンモデルを開発した。
提案モデルは,地球規模の地すべり感受性マップと緊急応答をサポートするために,オンライン形式で展開することができる。
- 参考スコア(独自算出の注目度): 3.7743217344191087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lack of global data inventories obstructs scientific modeling of and response
to landslide hazards which are oftentimes deadly and costly. To remedy this
limitation, new approaches suggest solutions based on citizen science that
requires active participation. However, as a non-traditional data source,
social media has been increasingly used in many disaster response and
management studies in recent years. Inspired by this trend, we propose to
capitalize on social media data to mine landslide-related information
automatically with the help of artificial intelligence (AI) techniques.
Specifically, we develop a state-of-the-art computer vision model to detect
landslides in social media image streams in real time. To that end, we create a
large landslide image dataset labeled by experts and conduct extensive model
training experiments. The experimental results indicate that the proposed model
can be deployed in an online fashion to support global landslide susceptibility
maps and emergency response.
- Abstract(参考訳): グローバルなデータ在庫の欠如は、しばしば致命的かつコストがかかる地すべりの危険性に対する科学的モデリングと対応を妨げる。
この制限を緩和するために、新しいアプローチは、積極的な参加を必要とする市民科学に基づく解決策を提案する。
しかし, 従来のデータソースとして, 近年, 多くの災害対応・管理研究にソーシャルメディアが利用されている。
この傾向に触発されて,我々は,人工知能(AI)技術を活用した地すべり関連情報の自動マイニングにソーシャルメディアデータを活用することを提案する。
具体的には,ソーシャルメディア画像ストリームの地すべりをリアルタイムに検出する,最先端のコンピュータビジョンモデルを開発した。
この目的のために,専門家がラベル付けした大規模地すべり画像データセットを作成し,広範なモデルトレーニング実験を行う。
実験結果から, 提案手法をオンラインに展開することで, 地すべり感受性マップと緊急対応を支援することを示唆した。
関連論文リスト
- Towards Realistic Data Generation for Real-World Super-Resolution [58.88039242455039]
RealDGenは、現実世界の超解像のために設計された教師なし学習データ生成フレームワークである。
我々は,コンテンツ分解脱結合拡散モデルに統合されたコンテンツと劣化抽出戦略を開発する。
実験により、RealDGenは、現実世界の劣化を反映する大規模で高品質なペアデータを生成するのに優れていることが示された。
論文 参考訳(メタデータ) (2024-06-11T13:34:57Z) - Landslide mapping from Sentinel-2 imagery through change detection [0.12289361708127873]
地すべりは、最も重要で破壊的なジオハザードの1つである。
本稿では,Sentinel-2画像を用いた地すべりのマッピング手法について検討する。
本稿では,DEM(Digital Elevation Model)データとSentinel-2バイテンポラル画像ペアを融合する新たなディープラーニングアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-05-30T15:33:32Z) - Is Sora a World Simulator? A Comprehensive Survey on General World Models and Beyond [101.15395503285804]
一般世界モデルは、人工知能(AGI)の実現への決定的な道のりを表現している
本調査では,世界モデルの最新動向を包括的に調査する。
我々は,世界モデルの課題と限界について検討し,今後の方向性について考察する。
論文 参考訳(メタデータ) (2024-05-06T14:37:07Z) - Landslide Topology Uncovers Failure Movements [1.08890978642722]
本稿では,スライドやフローなどの動作に基づいて,障害タイプを特定するアプローチを提案する。
地すべりの形態や形状に埋め込まれた物質移動力学の顕著な特徴をトポロジカルプロキシが明らかにしているのを観察する。
歴史的およびイベント固有の地すべりデータベースの障害タイプを80~94 %の精度で識別できる。
論文 参考訳(メタデータ) (2023-10-14T17:53:55Z) - Harnessing the Power of Text-image Contrastive Models for Automatic
Detection of Online Misinformation [50.46219766161111]
誤情報識別の領域における構成的学習を探求する自己学習モデルを構築した。
本モデルでは、トレーニングデータが不十分な場合、非マッチング画像-テキストペア検出の優れた性能を示す。
論文 参考訳(メタデータ) (2023-04-19T02:53:59Z) - Citation Trajectory Prediction via Publication Influence Representation
Using Temporal Knowledge Graph [52.07771598974385]
既存のアプローチは主に学術論文の時間的データとグラフデータのマイニングに依存している。
本フレームワークは,差分保存グラフ埋め込み,きめ細かい影響表現,学習に基づく軌道計算という3つのモジュールから構成される。
APSアカデミックデータセットとAIPatentデータセットの両方で実験を行った。
論文 参考訳(メタデータ) (2022-10-02T07:43:26Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳(メタデータ) (2022-09-28T18:51:59Z) - A Real-time System for Detecting Landslide Reports on Social Media using
Artificial Intelligence [3.253737007595575]
本稿では,現在最先端の人工知能技術を用いて,ソーシャルメディアデータをリアルタイムに活用して地すべり関連情報を自動同定するオンラインシステムを提案する。
二)地すべり画像を識別し、(iii)画像の位置を推定し、(iv)情報を共有するアカウントのユーザタイプ(組織または人)を分類することにより、情報過負荷を低減することができる。
論文 参考訳(メタデータ) (2022-02-14T14:24:57Z) - Incidents1M: a large-scale dataset of images with natural disasters,
damage, and incidents [28.16346818821349]
洪水、竜巻、山火事などの自然災害は、地球が温暖化するにつれてますます広まりつつある。
事故の発生時期や発生時期を予測することは困難であり、破壊的な出来事によって危険にさらされている人々の命を救うために、時折緊急対応が重要となる。
ソーシャルメディア投稿は、災害の進行と余波を理解するために低レイテンシデータソースとして使用できるが、このデータを解析するのは、自動化された方法なしでは面倒である。
本研究では,43のインシデントと49のカテゴリを含む977,088の画像を含む大規模マルチラベルデータセットであるインシデント1Mデータセットを提案する。
論文 参考訳(メタデータ) (2022-01-11T23:03:57Z) - Detecting Damage Building Using Real-time Crowdsourced Images and
Transfer Learning [53.26496452886417]
本稿では,Twitterなどのソーシャルメディアプラットフォームから地震後の建物画像を自動的に抽出する手法を提案する。
トランスファーラーニングと6500枚の手動ラベル付き画像を用いて,現場に損傷のある建物を画像として認識する深層学習モデルを訓練した。
訓練されたモデルは、異なる場所で新たに取得した地震の画像でテストし、トルコのM7.0地震の後、Twitterのフィードでほぼリアルタイムで実行された。
論文 参考訳(メタデータ) (2021-10-12T06:31:54Z) - 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)
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。