論文の概要: Deep-Disaster: Unsupervised Disaster Detection and Localization Using Visual Data

• arxiv url: http://arxiv.org/abs/2202.00050v1
• Date: Mon, 31 Jan 2022 19:21:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-02 14:44:58.652563
• Title: Deep-Disaster: Unsupervised Disaster Detection and Localization Using Visual Data
• Title（参考訳）: Deep-Disaster:ビジュアルデータを用いた教師なし災害検出と位置推定
• Authors: Soroor Shekarizadeh, Razieh Rastgoo, Saif Al-Kuwari, Mohammad Sabokrou
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.308913482163558
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Social media plays a significant role in sharing essential information, which helps humanitarian organizations in rescue operations during and after disaster incidents. However, developing an efficient method that can provide rapid analysis of social media images in the early hours of disasters is still largely an open problem, mainly due to the lack of suitable datasets and the sheer complexity of this task. In addition, supervised methods can not generalize well to novel disaster incidents. In this paper, inspired by the success of Knowledge Distillation (KD) methods, we propose an unsupervised deep neural network to detect and localize damages in social media images. Our proposed KD architecture is a feature-based distillation approach that comprises a pre-trained teacher and a smaller student network, with both networks having similar GAN architecture containing a generator and a discriminator. The student network is trained to emulate the behavior of the teacher on training input samples, which, in turn, contain images that do not include any damaged regions. Therefore, the student network only learns the distribution of no damage data and would have different behavior from the teacher network-facing damages. To detect damage, we utilize the difference between features generated by two networks using a defined score function that demonstrates the probability of damages occurring. Our experimental results on the benchmark dataset confirm that our approach outperforms state-of-the-art methods in detecting and localizing the damaged areas, especially for novel disaster types.
• Abstract（参考訳）: ソーシャルメディアは、災害時や災害後の人道支援活動を支援する重要な情報共有に重要な役割を果たしている。 しかし,災害初期におけるソーシャルメディア画像の高速解析を実現する効率的な手法の開発は,適切なデータセットの欠如や,このタスクの複雑さが主な原因で,いまだに未解決の問題である。 また, 監視手法は, 新たな災害事故に対して十分に一般化できない。 本稿では,知識蒸留(KD)手法の成功に触発されて,ソーシャルメディア画像の損傷を検出・局所化するための教師なしディープニューラルネットワークを提案する。 提案するkdアーキテクチャは,事前学習した教師と小学生ネットワークで構成された機能ベースの蒸留アプローチであり,両ネットワークともジェネレータと判別器を含む同様のganアーキテクチャを有する。 学生ネットワークは、入力サンプルの訓練において教師の行動をエミュレートするように訓練され、それには損傷した領域を含まない画像が含まれる。 したがって、生徒ネットワークは、無被害データの分布のみを学習し、教師ネットワークによる被害とは異なる行動をとる。 損傷を検出するために,2つのネットワークが生成する特徴の差異を,損傷の確率を示すスコア関数を用いて評価する。 提案手法は, 被害地域, 特に新しい災害タイプの検出と位置決定において, 最先端の手法よりも優れていることを確認した。

関連論文リスト

• Impact of a DCT-driven Loss in Attention-based Knowledge-Distillation for Scene Recognition [64.29650787243443]
  本稿では, アクティベーションマップの2次元周波数変換を転送前に提案し, 解析する。 この戦略は、シーン認識などのタスクにおける知識伝達可能性を高める。 我々は、この論文で使われているトレーニングおよび評価フレームワークを、http://www.vpu.eps.uam.es/publications/DCTBasedKDForSceneRecognitionで公開しています。
  論文  参考訳（メタデータ） (2022-05-04T11:05:18Z)
• Engineering deep learning methods on automatic detection of damage in infrastructure due to extreme events [0.38233569758620045]
  本稿では,深層学習を用いた極端な事象における自動構造損傷検出(SDD)に関する実験的検討を行った。 最初の研究では、152層のResidual Network(ResNet)を用いて8つのSDDタスクで複数のクラスを分類する。 その結果,損傷検出の精度はセグメンテーションネットワークのみを用いた場合に比べて有意に向上した。
  論文  参考訳（メタデータ） (2022-05-01T19:55:56Z)
• 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)
• 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)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• 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)
• Information Obfuscation of Graph Neural Networks [96.8421624921384]
  本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。 本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T17:55:04Z)
• Improving Emergency Response during Hurricane Season using Computer Vision [0.06882042556551608]
  我々は,コンピュータビジョン(CV),内陸洪水予知,被害評価,データ可視化といった最新の技術を組み込んだ危機対応・管理のためのフレームワークを開発した。 我々のコンピュータビジョンモデルは、自然災害の前後で、宇宙と空中の画像を分析して、関連する特徴を検出する。 画像から水、道路、建物、植生などの特徴を識別するモデル群を設計した。
  論文  参考訳（メタデータ） (2020-08-17T15:42:02Z)
• 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。