論文の概要: Towards Efficient Disaster Response via Cost-effective Unbiased Class Rate Estimation through Neyman Allocation Stratified Sampling Active Learning
- arxiv url: http://arxiv.org/abs/2405.17734v1
- Date: Tue, 28 May 2024 01:34:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-29 22:41:57.591611
- Title: Towards Efficient Disaster Response via Cost-effective Unbiased Class Rate Estimation through Neyman Allocation Stratified Sampling Active Learning
- Title（参考訳）: 費用対効果の低いクラスレート推定による効果的な災害対応に向けて : ナイマン配置成層学習によるアクティブラーニング
- Authors: Yanbing Bai, Xinyi Wu, Lai Xu, Jihan Pei, Erick Mas, Shunichi Koshimura,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.697034536189094
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid development of earth observation technology, we have entered an era of massively available satellite remote-sensing data. However, a large amount of satellite remote sensing data lacks a label or the label cost is too high to hinder the potential of AI technology mining satellite data. Especially in such an emergency response scenario that uses satellite data to evaluate the degree of disaster damage. Disaster damage assessment encountered bottlenecks due to excessive focus on the damage of a certain building in a specific geographical space or a certain area on a larger scale. In fact, in the early days of disaster emergency response, government departments were more concerned about the overall damage rate of the disaster area instead of single-building damage, because this helps the government decide the level of emergency response. We present an innovative algorithm that constructs Neyman stratified random sampling trees for binary classification and extends this approach to multiclass problems. Through extensive experimentation on various datasets and model structures, our findings demonstrate that our method surpasses both passive and conventional active learning techniques in terms of class rate estimation and model enhancement with only 30\%-60\% of the annotation cost of simple sampling. It effectively addresses the 'sampling bias' challenge in traditional active learning strategies and mitigates the 'cold start' dilemma. The efficacy of our approach is further substantiated through application to disaster evaluation tasks using Xview2 Satellite imagery, showcasing its practical utility in real-world contexts.
- Abstract（参考訳）: 地球観測技術の急速な発展に伴い、我々は大量の衛星リモートセンシングデータの時代に入った。
しかし、大量の衛星リモートセンシングデータがラベルを欠いているか、ラベルコストが高すぎて、AI技術が衛星データをマイニングする可能性を妨げる。
特に、衛星データを用いて災害被害の程度を評価する緊急対応シナリオ。
災害被害評価は、特定の地理的空間や大規模の特定地域において、特定の建物の被害に過度に焦点が当てられているため、ボトルネックに遭遇した。
実際、災害緊急対応の初期の段階では、政府省は1棟の被害ではなく、災害地域の全体的被害率を懸念しており、政府の緊急対応のレベル決定に役立っている。
本稿では,二分分類のための階層化ランダムサンプリング木を構築し,この手法を多クラス問題に拡張する革新的なアルゴリズムを提案する。
様々なデータセットやモデル構造に関する広範な実験を通じて,本手法は,単純なサンプリングのアノテーションコストの30～60パーセントに留まらず,クラスレート推定とモデル強化の両面で,受動的および従来型のアクティブラーニング手法を超越していることを示す。
従来のアクティブな学習戦略における"サンプリングバイアス"の課題に効果的に対処し、"コールドスタート"ジレンマを緩和します。
提案手法の有効性は,Xview2衛星画像を用いた災害評価タスクに適用することでさらに実証され,実環境における実用性を示す。
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) - Typhoon Intensity Prediction with Vision Transformer [51.84456610977905]
台風強度を正確に予測するために「台風強度変換器(Tint)」を導入する。
Tintは、層ごとにグローバルな受容野を持つ自己認識機構を使用する。
公開されている台風ベンチマークの実験は、Tintの有効性を検証する。
論文 参考訳（メタデータ） (2023-11-28T03:11:33Z) - 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) - 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) - Disaster Anomaly Detector via Deeper FCDDs for Explainable Initial
Responses [0.0]
あらゆる災害イベントにおいて、最初の応答は72時間以内に救助し、回復を急ぐ鍵である。
機械学習アルゴリズムのうち、深い異常検出は日常の特徴とは異なる破壊的特徴を検出するのに有効である。
本稿では,より深い完全畳み込みデータ記述(FCDD)を利用した異常検出アプリケーションを提案する。
VGG16バックボーンを持つ深いFCDDは、他のベースラインであるCNN27、ResNet101、Inceptionv3より一貫して優れていた。
論文 参考訳（メタデータ） (2023-06-05T00:44:39Z) - 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) - 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) - 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) - Monitoring War Destruction from Space: A Machine Learning Approach [1.0149624140985478]
紛争地帯における建物破壊に関する既存のデータは、目撃者の報告や手動による検出に依存している。
本稿では,ディープラーニング技術を用いた高解像度衛星画像の自動破壊計測手法を提案する。
我々は、シリア内戦と国内の主要都市における被害の進展にこの方法を適用した。
論文 参考訳（メタデータ） (2020-10-12T19:01:20Z) - 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) - An Attention-Based System for Damage Assessment Using Satellite Imagery [18.43310705820528]
本稿では,建物の損傷レベルを評価するため,Siam-U-Net-Attnモデルを提案する。
大規模建物被害評価データセットである xView2 上で提案手法の評価を行い,提案手法が正確な被害規模分類と建物分割を同時に達成できることを実証した。
論文 参考訳（メタデータ） (2020-04-14T16:37:55Z)
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。