論文の概要: Identification of Fine-Grained Location Mentions in Crisis Tweets

• arxiv url: http://arxiv.org/abs/2111.06334v1
• Date: Thu, 11 Nov 2021 17:48:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-12 13:44:09.775158
• Title: Identification of Fine-Grained Location Mentions in Crisis Tweets
• Title（参考訳）: 危機ツイートにおけるきめ細かな位置情報の特定
• Authors: Sarthak Khanal, Maria Traskowsky, Doina Caragea
• Abstract要約: ツイート危機データセットを2つ集め、特定の位置タイプで手動でアノテートします。 第1のデータセットには、さまざまな危機イベントからのツイートが含まれており、第2のデータセットには、世界的な新型コロナウイルス(COVID-19)パンデミックからのツイートが含まれている。 ドメイン内およびドメイン間の両方の設定において、これらのデータセットのシーケンスタグ付けのための最先端ディープラーニングモデルの性能について検討する。
• 参考スコア（独自算出の注目度）: 7.627299398469962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identification of fine-grained location mentions in crisis tweets is central in transforming situational awareness information extracted from social media into actionable information. Most prior works have focused on identifying generic locations, without considering their specific types. To facilitate progress on the fine-grained location identification task, we assemble two tweet crisis datasets and manually annotate them with specific location types. The first dataset contains tweets from a mixed set of crisis events, while the second dataset contains tweets from the global COVID-19 pandemic. We investigate the performance of state-of-the-art deep learning models for sequence tagging on these datasets, in both in-domain and cross-domain settings.
• Abstract（参考訳）: 危機的ツイートにおける詳細な位置情報の特定は、ソーシャルメディアから抽出された状況認識情報を行動可能な情報に変換することの中心である。 以前のほとんどの作品は、特定の型を考慮せずに、ジェネリックな位置を特定することに重点を置いてきた。 きめ細かな位置情報識別タスクの進捗を促進するために,2つのつぶやき危機データセットを手作業でアノテートし,特定の位置情報タイプにアノテートする。 第1のデータセットは、さまざまな危機イベントからのツイート、第2のデータセットは、世界的な新型コロナウイルス(covid-19)パンデミックのツイートを含む。 ドメイン内およびドメイン間の両方の設定において、これらのデータセットのシーケンスタグ付けのための最先端ディープラーニングモデルの性能について検討する。

関連論文リスト

• 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)
• Where did you tweet from? Inferring the origin locations of tweets based on contextual information [0.2320417845168326]
  ツイートの1%未満はジオタグされている。 ツイートの大きな問題は、Twitterユーザーが位置Aにいて、位置Bに特有の会話を交換できることだ。 本稿では,機械レベルでの自然言語理解を用いて,出身地情報を含むツイートを識別するフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-18T01:33:01Z)
• CrisisLTLSum: A Benchmark for Local Crisis Event Timeline Extraction and Summarization [62.77066949111921]
  本稿では,現在までに利用可能な地域危機イベントタイムラインの最大のデータセットであるCrisisLTLSumについて述べる。 CrisisLTLSumには、山火事、地元の火災、交通、嵐の4つの領域にわたる1000の危機イベントタイムラインが含まれている。 最初の実験では, 両タスクの人的性能と比較して, 強いベースライン性能の間に有意な差があることが示唆された。
  論文  参考訳（メタデータ） (2022-10-25T17:32:40Z)
• One-Shot Medical Landmark Localization by Edge-Guided Transform and Noisy Landmark Refinement [59.14062241534754]
  医用ランドマークのワンショット化のための2段階のフレームワークを提案する。 ステージIでは,新たな損失関数の指導の下で,グローバルアライメントと局所変形のエンドツーエンドのカスケードを学習する。 ステージIIでは,信頼性の高い擬似ラベルを選択するための自己整合性や,半教師付き学習のための相互整合性について検討する。
  論文  参考訳（メタデータ） (2022-07-31T15:42:28Z)
• Dynamic Focus-aware Positional Queries for Semantic Segmentation [94.6834904076914]
  本稿では,動的焦点認識型位置情報クエリと呼ばれるセマンティックセグメンテーションのための,シンプルで効果的なクエリ設計を提案する。 我々のフレームワークはSOTAの性能を達成し、ResNet-50、Swin-T、Swin-Bのバックボーンによる1.1%、1.9%、および1.1%の単一スケールmIoUでMask2formerより優れています。
  論文  参考訳（メタデータ） (2022-04-04T05:16:41Z)
• Traffic Event Detection as a Slot Filling Problem [18.61490760235035]
  ベルギーとブリュッセルの2つの(構築された)交通関連データセットを公開することにより、Twitterストリームからきめ細かいトラフィック情報を抽出する新たな問題を紹介した。 本稿では,2つのサブタスクを別々に,あるいは共同で処理するいくつかの手法を提案するとともに,交通事象検出問題に対する提案手法の有効性を評価する。
  論文  参考訳（メタデータ） (2021-09-13T15:02:40Z)
• Toward Accurate Person-level Action Recognition in Videos of Crowded Scenes [131.9067467127761]
  我々は、シーンの情報を完全に活用し、新しいデータを集めることで、アクション認識を改善することに集中する。 具体的には、各フレームの空間的位置を検出するために、強い人間の検出器を採用する。 そして、行動認識モデルを適用して、HIEデータセットとインターネットから多様なシーンを持つ新しいデータの両方でビデオフレームから時間情報を学ぶ。
  論文  参考訳（メタデータ） (2020-10-16T13:08:50Z)
• I-AID: Identifying Actionable Information from Disaster-related Tweets [0.0]
  ソーシャルメディアは、被災者、寄付、支援要請に関する貴重なデータを提供することによって、災害管理において重要な役割を担っている。 ツイートを自動的にマルチラベル情報タイプに分類するマルチモデルアプローチであるI-AIDを提案する。 以上の結果から,I-AIDはTREC-ISデータセットおよびCOVID-19 Tweetsにおいて,平均F1得点の6%,+4%において最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-08-04T19:07:50Z)
• Phase Consistent Ecological Domain Adaptation [76.75730500201536]
  意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。 視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。 第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
  論文  参考訳（メタデータ） (2020-04-10T06:58:03Z)

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。