論文の概要: Leveraging CNNs and Ensemble Learning for Automated Disaster Image
Classification
- arxiv url: http://arxiv.org/abs/2311.13531v1
- Date: Wed, 22 Nov 2023 17:06:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 14:28:26.247075
- Title: Leveraging CNNs and Ensemble Learning for Automated Disaster Image
Classification
- Title(参考訳): 自動災害画像分類のためのCNNの活用とアンサンブル学習
- Authors: Archit Rathod, Veer Pariawala, Mokshit Surana, Kumkum Saxena
- Abstract要約: 本稿では,畳み込みニューラルネットワーク(CNN)を用いた自然災害画像の分類に着目する。
複数のCNNアーキテクチャが建設され、地震、洪水、山火事、火山のイメージを含むデータセットで訓練された。
積み重ねられたCNNアンサンブルアプローチが最も効果的であることが証明され、95%の精度が達成され、F1スコアは個々のクラスで0.96まで上昇した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Natural disasters act as a serious threat globally, requiring effective and
efficient disaster management and recovery. This paper focuses on classifying
natural disaster images using Convolutional Neural Networks (CNNs). Multiple
CNN architectures were built and trained on a dataset containing images of
earthquakes, floods, wildfires, and volcanoes. A stacked CNN ensemble approach
proved to be the most effective, achieving 95% accuracy and an F1 score going
up to 0.96 for individual classes. Tuning hyperparameters of individual models
for optimization was critical to maximize the models' performance. The stacking
of CNNs with XGBoost acting as the meta-model utilizes the strengths of the CNN
and ResNet models to improve the overall accuracy of the classification.
Results obtained from the models illustrated the potency of CNN-based models
for automated disaster image classification. This lays the foundation for
expanding these techniques to build robust systems for disaster response,
damage assessment, and recovery management.
- Abstract(参考訳): 自然災害は世界中で深刻な脅威となり、効果的で効率的な災害管理と復旧が求められる。
本稿では,畳み込みニューラルネットワーク(CNN)を用いた自然災害画像の分類に着目する。
複数のCNNアーキテクチャが建設され、地震、洪水、山火事、火山のイメージを含むデータセットで訓練された。
積み重ねられたCNNアンサンブルアプローチが最も効果的であることが証明され、95%の精度とF1スコアは個々のクラスで0.96まで上昇した。
最適化のために個々のモデルのハイパーパラメータをチューニングすることは、モデルの性能を最大化するために重要であった。
メタモデルとして機能するXGBoostによるCNNの積み重ねは、CNNとResNetモデルの強度を利用して、分類の全体的な精度を向上させる。
その結果, 自動災害画像分類のためのCNNモデルの有用性が示された。
このことは、災害対応、被害評価、復旧管理のための堅牢なシステムを構築するためにこれらの技術を拡張する基盤となる。
関連論文リスト
- Adversarial Attacks on Image Classification Models: Analysis and Defense [0.0]
畳み込みニューラルネットワーク(CNN)に基づく画像分類モデルに対する敵対的攻撃
高速勾配符号法 (FGSM) について検討し, 画像分類モデルの性能への影響について検討した。
FGSM攻撃に対する防御機構は、改良された防御蒸留に基づくアプローチに基づいて提案されている。
論文 参考訳(メタデータ) (2023-12-28T08:08:23Z) - Patching Weak Convolutional Neural Network Models through Modularization
and Composition [19.986199290508925]
分類タスクのための畳み込みニューロンネットワーク(CNN)モデルは、しばしば不満足に機能する。
圧縮モジュラー化手法であるCNNSplitterを提案し、$N$クラス分類のための強力なCNNモデルを$N$より小さなCNNモジュールに分解する。
CNNSplitterは、モジュール化と構成により弱いCNNモデルにパッチを適用できることを示し、ロバストなCNNモデルを開発するための新しいソリューションを提供する。
論文 参考訳(メタデータ) (2022-09-11T15:26:16Z) - 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) - Neural Architecture Dilation for Adversarial Robustness [56.18555072877193]
畳み込みニューラルネットワークの欠点は、敵の攻撃に弱いことである。
本稿では, 良好な精度を有する背骨CNNの対角的堅牢性を向上させることを目的とする。
最小限の計算オーバーヘッドの下では、拡張アーキテクチャはバックボーンCNNの標準的な性能と親和性が期待できる。
論文 参考訳(メタデータ) (2021-08-16T03:58:00Z) - BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by
Adversarial Attacks [65.2021953284622]
CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。
結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
論文 参考訳(メタデータ) (2021-03-14T20:43:19Z) - Fusion of CNNs and statistical indicators to improve image
classification [65.51757376525798]
畳み込みネットワークは過去10年間、コンピュータビジョンの分野を支配してきた。
この傾向を長引かせる主要な戦略は、ネットワーク規模の拡大によるものだ。
我々は、異種情報ソースを追加することは、より大きなネットワークを構築するよりもCNNにとって費用対効果が高いと仮定している。
論文 参考訳(メタデータ) (2020-12-20T23:24:31Z) - Extreme Value Preserving Networks [65.2037926048262]
最近の証拠は、畳み込みニューラルネットワーク(CNN)がテクスチャに偏りがあることを示しており、CNNはテクスチャに逆らう摂動に対して損なわれない。
本稿では,SIFTの優れた特性を活用してCNNアーキテクチャを改良し,精度と堅牢性を向上させることを目的とする。
論文 参考訳(メタデータ) (2020-11-17T02:06:52Z) - An Efficient Quantitative Approach for Optimizing Convolutional Neural
Networks [16.072287925319806]
本稿では,CNNアーキテクチャの品質を推定し,設計の探索プロセスを導く3D-Receptive Field (3DRF)を提案する。
我々のモデルは、MobileNetやResNetのような最先端のCNN構造と比較して、最大5.47%の精度向上と65.38%のパラメータを達成できる。
論文 参考訳(メタデータ) (2020-09-11T05:14:34Z) - Learning CNN filters from user-drawn image markers for coconut-tree
image classification [78.42152902652215]
本稿では,CNNの特徴抽出器を訓練するために,最小限のユーザ選択画像を必要とする手法を提案する。
本手法は,クラスを識別する画像領域のユーザ描画マーカーから,各畳み込み層のフィルタを学習する。
バックプロパゲーションに基づく最適化には依存せず、ココナッツツリー空中画像のバイナリ分類にその利点を実証する。
論文 参考訳(メタデータ) (2020-08-08T15:50:23Z) - Exploring Deep Hybrid Tensor-to-Vector Network Architectures for
Regression Based Speech Enhancement [53.47564132861866]
我々は、CNN-TTというハイブリッドアーキテクチャが、モデルパラメータを小さくして高品質な性能を維持することができることを見出した。
CNN-TTは、音声品質を改善するために、特徴抽出のために下部に複数の畳み込み層で構成されている。
論文 参考訳(メタデータ) (2020-07-25T22:21:05Z) - Train and Deploy an Image Classifier for Disaster Response [0.0]
我々は,最大79%の精度で設定した大規模な画像データから,洪水災害画像の分類を行った。
データセットを扱うためのモデルとチュートリアルは、画像に含まれる他の種類の災害を分類するための基盤を作りました。
論文 参考訳(メタデータ) (2020-05-12T00:45:48Z)
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。