論文の概要: Building Damage Mapping with Self-PositiveUnlabeled Learning

• arxiv url: http://arxiv.org/abs/2111.02586v1
• Date: Thu, 4 Nov 2021 02:04:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-06 01:39:30.459723
• Title: Building Damage Mapping with Self-PositiveUnlabeled Learning
• Title（参考訳）: 自己肯定的非ラベル学習による建物被害マッピング
• Authors: Junshi Xia, Naoto Yokoya, Bruno Adriano
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 20.506846173463785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humanitarian organizations must have fast and reliable data to respond to disasters. Deep learning approaches are difficult to implement in real-world disasters because it might be challenging to collect ground truth data of the damage situation (training data) soon after the event. The implementation of recent self-paced positive-unlabeled learning (PU) is demonstrated in this work by successfully applying to building damage assessment with very limited labeled data and a large amount of unlabeled data. Self-PU learning is compared with the supervised baselines and traditional PU learning using different datasets collected from the 2011 Tohoku earthquake, the 2018 Palu tsunami, and the 2018 Hurricane Michael. By utilizing only a portion of labeled damaged samples, we show how models trained with self-PU techniques may achieve comparable performance as supervised learning.
• Abstract（参考訳）: 人道的組織は、災害に対応するために、迅速かつ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,災害直後の被害状況(トレーニングデータ)の実態データ収集が難しいため,現実の災害においては実現が困難である。 本研究は,ごく限られたラベル付きデータと大量のラベル付きデータを用いて,損傷評価の構築にうまく適用することで,近年の自己ペース陽性無ラベル学習(pu)の実現を実証した。 2011年東北地方地震、2018年パウル地震、2018年ハリケーン・マイケル号から収集したさまざまなデータセットを用いて、教師付きベースラインと従来のPU学習と比較した。 ラベル付き損傷サンプルの一部のみを利用することで、自己PU技術で訓練されたモデルが教師付き学習と同等のパフォーマンスを達成できることを示す。

関連論文リスト

• CrisisSense-LLM: Instruction Fine-Tuned Large Language Model for Multi-label Social Media Text Classification in Disaster Informatics [49.2719253711215]
  本研究では,事前学習型大規模言語モデル(LLM)の強化による災害テキスト分類への新たなアプローチを提案する。 本手法では,災害関連ツイートから包括的インストラクションデータセットを作成し,それをオープンソース LLM の微調整に用いる。 この微調整モデルでは,災害関連情報の種類,情報化,人的援助の関与など,複数の側面を同時に分類することができる。
  論文  参考訳（メタデータ） (2024-06-16T23:01:10Z)
• 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)
• 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)
• 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)
• 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)
• Assessing Post-Disaster Damage from Satellite Imagery using Semi-Supervised Learning Techniques [15.264481724699456]
  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。
  論文  参考訳（メタデータ） (2020-11-24T22:26:14Z)
• 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)

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。