論文の概要: Desk-AId: Humanitarian Aid Desk Assessment with Geospatial AI for Predicting Landmine Areas
- arxiv url: http://arxiv.org/abs/2405.09444v1
- Date: Wed, 15 May 2024 15:39:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-16 13:06:44.695382
- Title: Desk-AId: Humanitarian Aid Desk Assessment with Geospatial AI for Predicting Landmine Areas
- Title（参考訳）: Desk-AId: 地雷地域予測のための地理空間AIによる人道支援デスク評価
- Authors: Flavio Cirillo, Gürkan Solmaz, Yi-Hsuan Peng, Christian Bizer, Martin Jebens,
- Abstract要約: Desk-AIdは地雷に特化したGeospatial AIアプローチを使用している。
提案システムでは, 確実な危険領域に対して, 地道のみを有するという課題に対処する。
地雷リスク評価のための2つの領域におけるDesk-Aidの評価実験 : 1)国全体で,2)未養殖地域を対象にした。
- 参考スコア（独自算出の注目度）: 2.105636394911375
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The process of clearing areas, namely demining, starts by assessing and prioritizing potential hazardous areas (i.e., desk assessment) to go under thorough investigation of experts, who confirm the risk and proceed with the mines clearance operations. This paper presents Desk-AId that supports the desk assessment phase by estimating landmine risks using geospatial data and socioeconomic information. Desk-AId uses a Geospatial AI approach specialized to landmines. The approach includes mixed data sampling strategies and context-enrichment by historical conflicts and key multi-domain facilities (e.g., buildings, roads, health sites). The proposed system addresses the issue of having only ground-truth for confirmed hazardous areas by implementing a new hard-negative data sampling strategy, where negative points are sampled in the vicinity of hazardous areas. Experiments validate Desk-Aid in two domains for landmine risk assessment: 1) country-wide, and 2) uncharted study areas). The proposed approach increases the estimation accuracies up to 92%, for different classification models such as RandomForest (RF), Feedforward Neural Networks (FNN), and Graph Neural Networks (GNN).
- Abstract（参考訳）: 採掘のプロセスは、リスクを確認し、鉱山のクリアランス運用を進める専門家の徹底的な調査を行うために、潜在的危険領域(すなわち、机の評価)を評価・優先順位付けすることから始まる。
本稿では,地空間データと社会経済情報を用いて地雷リスクを推定し,デスク評価フェーズを支援するDesk-AIdを提案する。
Desk-AIdは地雷に特化したGeospatial AIアプローチを使用している。
このアプローチには、混合データサンプリング戦略と、歴史的紛争と重要なマルチドメイン施設(例えば、建物、道路、保健施設)によるコンテキスト強化が含まれる。
提案システムでは, 有害領域近傍で負の点をサンプリングする新しいハードネガティブデータサンプリング戦略を導入することで, 有害領域に対する基礎的トラストのみを有するという課題に対処する。
地雷リスク評価のための2つの領域におけるデスクエイドの評価実験
1)全国,及び
2)未調査地域)
提案手法は、RandomForest(RF)、Feedforward Neural Networks(FNN)、Graph Neural Networks(GNN)など、さまざまな分類モデルに対して、推定精度を最大92%向上させる。
関連論文リスト
- Combining Observational Data and Language for Species Range Estimation [63.65684199946094]
我々は,数百万の市民科学種の観察とウィキペディアのテキスト記述を組み合わせた新しいアプローチを提案する。
我々のフレームワークは、場所、種、テキスト記述を共通空間にマッピングし、テキスト記述からゼロショット範囲の推定を可能にする。
また,本手法は観測データと組み合わせることで,少ないデータでより正確な距離推定を行うことができる。
論文 参考訳（メタデータ） (2024-10-14T17:22:55Z) - EAIRiskBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents [47.69642609574771]
EAI(Embodied AI)は、高度なAIモデルを現実世界のインタラクションのための物理的なエンティティに統合する。
高レベルのタスク計画のためのEAIエージェントの"脳"としてのファンデーションモデルは、有望な結果を示している。
しかし、これらのエージェントの物理的環境への展開は、重大な安全性上の課題を呈している。
EAIRiskBenchは、EAIシナリオにおける自動物理的リスクアセスメントのための新しいフレームワークである。
論文 参考訳（メタデータ） (2024-08-08T13:19:37Z) - Enhancing Worldwide Image Geolocation by Ensembling Satellite-Based Ground-Level Attribute Predictors [4.415977307120618]
本稿では,GPSなどの位置情報が存在しない場合の地上画像の位置を推定することの課題について検討する。
本稿では,推定位置分布の精度を計測する新しい指標であるリコール対エリア(Recall vs Area)を紹介する。
次に,複数の情報源からの情報を組み込んだグローバルな画像位置決め手法について検討する。
論文 参考訳（メタデータ） (2024-07-18T19:15:52Z) - Visual Environment Assessment for Safe Autonomous Quadrotor Landing [8.538463567092297]
本研究では,安全な四段着陸のための着陸地点の検出と評価を行う新しい手法を提案する。
本ソリューションは,GPSなどの外部支援を不要にしながら,2次元および3次元環境情報を効率的に統合する。
提案手法は,計算能力に制限のあるクオータ上でリアルタイムに実行される。
論文 参考訳（メタデータ） (2023-11-16T18:02:10Z) - RELand: Risk Estimation of Landmines via Interpretable Invariant Risk
Minimization [34.655432946895935]
地雷は、紛争が終結してから何年もの間、戦争に影響を及ぼしたコミュニティに対する脅威であり続けている。
人道的破壊活動は、クリアされる場所から関連する情報を収集することから始まる。
本稿では,3つの主要コンポーネントから構成されるこれらのタスクをサポートするRELandシステムを提案する。
論文 参考訳（メタデータ） (2023-11-06T14:07:47Z) - AB2CD: AI for Building Climate Damage Classification and Detection [0.0]
本研究では, 自然災害の文脈において, 建物の損傷評価を正確に行うための深層学習手法の実装について検討する。
我々は,低品質・騒音ラベルの影響を考慮しつつ,新たな災害・地域への一般化の課題に取り組む。
我々の研究結果は、気候変動によって引き起こされる極端気象事象の影響評価を強化するための高度なAIソリューションの可能性と限界を示している。
論文 参考訳（メタデータ） (2023-09-03T03:37:04Z) - Dwelling Type Classification for Disaster Risk Assessment Using
Satellite Imagery [3.88838725116957]
周辺地域の危険度とリスク評価は, 災害対策に不可欠である。
既存のシステムは、時間と費用のかかるフィールドサーベイに依存するため、警告を解読し、超局所的なレベルでリスクの正確な範囲を評価するスケーラブルな方法を提供していない。
この研究において、機械学習は住居とそのタイプを特定するプロセスを自動化するために使用され、潜在的に効果的な災害脆弱性評価システムを構築した。
論文 参考訳（メタデータ） (2022-11-16T03:08:15Z) - A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳（メタデータ） (2022-11-04T09:58:57Z) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳（メタデータ） (2022-03-11T16:14:14Z) - 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) - Collaborative Training between Region Proposal Localization and
Classification for Domain Adaptive Object Detection [121.28769542994664]
オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。
本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
論文 参考訳（メタデータ） (2020-09-17T07:39:52Z)
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。