論文の概要: NIDA-CLIFGAN: Natural Infrastructure Damage Assessment through Efficient Classification Combining Contrastive Learning, Information Fusion and Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2110.14518v1
• Date: Wed, 27 Oct 2021 15:29:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-28 14:44:48.431982
• Title: NIDA-CLIFGAN: Natural Infrastructure Damage Assessment through Efficient Classification Combining Contrastive Learning, Information Fusion and Generative Adversarial Networks
• Title（参考訳）: NIDA-CLIFGAN: コントラスト学習と情報融合と生成逆ネットワークを組み合わせた効率的な分類による自然インフラ被害評価
• Authors: Jie Wei (1), Zhigang Zhu (1), Erik Blasch (2), Bilal Abdulrahman (1), Billy Davila (1), Shuoxin Liu (1), Jed Magracia (1), Ling Fang (1) ((1) Dept. of Computer Science, City College of New York, (2) Air Force Office of Scientific Research)
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: During natural disasters, aircraft and satellites are used to survey the impacted regions. Usually human experts are needed to manually label the degrees of the building damage so that proper humanitarian assistance and disaster response (HADR) can be achieved, which is labor-intensive and time-consuming. Expecting human labeling of major disasters over a wide area gravely slows down the HADR efforts. It is thus of crucial interest to take advantage of the cutting-edge Artificial Intelligence and Machine Learning techniques to speed up the natural infrastructure damage assessment process to achieve effective HADR. Accordingly, the paper demonstrates a systematic effort to achieve efficient building damage classification. First, two novel generative adversarial nets (GANs) are designed to augment data used to train the deep-learning-based classifier. Second, a contrastive learning based method using novel data structures is developed to achieve great performance. Third, by using information fusion, the classifier is effectively trained with very few training data samples for transfer learning. All the classifiers are small enough to be loaded in a smart phone or simple laptop for first responders. Based on the available overhead imagery dataset, results demonstrate data and computational efficiency with 10% of the collected data combined with a GAN reducing the time of computation from roughly half a day to about 1 hour with roughly similar classification performances.
• Abstract（参考訳）: 自然災害では、航空機や衛星が影響地域を調査している。 通常、人間の専門家は、適切な人道支援と災害対応(hadr)が達成できるように、建物の損傷の程度を手動でラベル付けする必要がある。 広範囲にわたる大きな災害の人間のラベル付けを期待することは、ハザーの努力を著しく遅らせる。 したがって、最先端の人工知能と機械学習技術を利用して、自然インフラの損傷評価プロセスを高速化し、効果的なHADRを実現することが重要である。 そこで本研究では,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。 まず,2つの新しい生成逆数ネット(GAN)を,ディープラーニングに基づく分類器の訓練に使用するデータの拡張として設計する。 第2に,新しいデータ構造を用いたコントラスト学習法を開発し,優れた性能を実現する。 第3に、情報融合を用いることで、伝達学習のための訓練データサンプルを極めて少ないで効果的に訓練する。 すべての分類器は、最初の応答者のためにスマートフォンや単純なラップトップにロードできるくらい小さい。 利用可能なオーバーヘッド画像データセットに基づいて、収集したデータの10%でデータと計算効率を実証し、GANと組み合わせることで、ほぼ同様の分類性能で計算時間を約30日から約1時間に短縮する。

関連論文リスト

• Towards Robust and Cost-Efficient Knowledge Unlearning for Large Language Models [25.91643745340183]
  大規模言語モデル(LLM)は、大量のテキストコーパスの事前学習を通じて、強い推論と記憶能力を示す。 これはプライバシーと著作権侵害のリスクを生じさせ、効率的な機械学習手法の必要性を強調している。 LLMのための堅牢で効率的なアンラーニングのための2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-13T04:18:32Z)
• 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)
• Defect Classification in Additive Manufacturing Using CNN-Based Vision Processing [76.72662577101988]
  本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。 これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
  論文  参考訳（メタデータ） (2023-07-14T14:36:58Z)
• Towards Robust Dataset Learning [90.2590325441068]
  本稿では,頑健なデータセット学習問題を定式化するための三段階最適化法を提案する。 ロバストな特徴と非ロバストな特徴を特徴付ける抽象モデルの下で,提案手法はロバストなデータセットを確実に学習する。
  論文  参考訳（メタデータ） (2022-11-19T17:06:10Z)
• Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
  ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。 これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。 本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
  論文  参考訳（メタデータ） (2022-07-29T22:35:05Z)
• Self-Supervised Learning for Building Damage Assessment from Large-scale xBD Satellite Imagery Benchmark Datasets [3.2248805768155826]
  本稿では,ラベル付きデータを必要としない自己教師付き比較学習手法を提案する。 我々は、新しい非対称なツインネットワークアーキテクチャを構築し、その性能をxBDデータセット上で検証した。
  論文  参考訳（メタデータ） (2022-05-31T11:08:35Z)
• 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)
• Deep-Disaster: Unsupervised Disaster Detection and Localization Using Visual Data [14.308913482163558]
  ソーシャルメディア画像の損傷を検知し、局所化する、教師なしのディープニューラルネットワークを提案する。 本手法は損傷領域の検出と局所化において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-01-31T19:21:44Z)
• 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)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• 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。