論文の概要: LADI v2: Multi-label Dataset and Classifiers for Low-Altitude Disaster Imagery

• arxiv url: http://arxiv.org/abs/2406.02780v1
• Date: Tue, 4 Jun 2024 20:51:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 22:47:37.768827
• Title: LADI v2: Multi-label Dataset and Classifiers for Low-Altitude Disaster Imagery
• Title（参考訳）: LADI v2:低高度災害画像のための多ラベルデータセットと分類器
• Authors: Samuel Scheele, Katherine Picchione, Jeffrey Liu,
• Abstract要約: LADI v2データセットは、アメリカ合衆国でシビル・エア・パトロールによって撮影された約10,000の災害画像のキュレートされたデータセットである。 2つの事前訓練されたベースライン分類器を提供し、その性能を多ラベル分類における最先端の視覚言語モデルと比較する。 データとコードは、緊急管理研究およびアプリケーションのためのコンピュータビジョンモデルの開発をサポートするために、一般公開されている。
• 参考スコア（独自算出の注目度）: 0.23108201502462672
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: ML-based computer vision models are promising tools for supporting emergency management operations following natural disasters. Arial photographs taken from small manned and unmanned aircraft can be available soon after a disaster and provide valuable information from multiple perspectives for situational awareness and damage assessment applications. However, emergency managers often face challenges finding the most relevant photos among the tens of thousands that may be taken after an incident. While ML-based solutions could enable more effective use of aerial photographs, there is still a lack of training data for imagery of this type from multiple perspectives and for multiple hazard types. To address this, we present the LADI v2 (Low Altitude Disaster Imagery version 2) dataset, a curated set of about 10,000 disaster images captured in the United States by the Civil Air Patrol (CAP) in response to federally-declared emergencies (2015-2023) and annotated for multi-label classification by trained CAP volunteers. We also provide two pretrained baseline classifiers and compare their performance to state-of-the-art vision-language models in multi-label classification. The data and code are released publicly to support the development of computer vision models for emergency management research and applications.
• Abstract（参考訳）: MLベースのコンピュータビジョンモデルは、自然災害後の緊急管理業務をサポートするための有望なツールである。 小さな有人航空機や無人航空機から撮影したアリル写真は、災害後すぐに入手でき、状況認識や損傷評価の応用のために複数の視点から貴重な情報を提供することができる。 しかし、緊急管理職は、事件後に撮影される可能性のある数万枚の写真の中で、最も関連性の高い写真を見つけることの難しさに直面することが多い。 MLベースのソリューションは、より効果的な航空写真の利用を可能にする可能性があるが、複数の視点と複数のハザードタイプからこのタイプの画像のトレーニングデータが不足している。 これを解決するために、LADI v2 (Low Altitude Disaster Imagery Version 2)データセットを提示する。このデータセットは、連邦が宣言した緊急事態(2015-2023)への対応として、米国内においてシビル・パトロール(CAP)によって撮影された約10,000の災害画像のキュレートされたセットであり、訓練されたCAPボランティアによるマルチラベル分類のために注釈付けされている。 また、2つの事前訓練されたベースライン分類器を提供し、その性能を多ラベル分類における最先端の視覚言語モデルと比較する。 データとコードは、緊急管理研究およびアプリケーションのためのコンピュータビジョンモデルの開発をサポートするために、一般公開されている。

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)
• Robust Disaster Assessment from Aerial Imagery Using Text-to-Image Synthetic Data [66.49494950674402]
  航空画像からの損傷評価のタスクのための大規模合成監視を作成する際に,新たなテキスト・画像生成モデルを活用する。 低リソース領域から何千ものポストディスアスター画像を生成するために、効率的でスケーラブルなパイプラインを構築しています。 我々は,xBDおよびSKAI画像のクロスジオグラフィー領域転送設定におけるフレームワークの強度を,単一ソースとマルチソースの両方で検証する。
  論文  参考訳（メタデータ） (2024-05-22T16:07:05Z)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• Multi-view deep learning for reliable post-disaster damage classification [0.0]
  本研究は,人工知能(AI)と多視点画像を用いた,より信頼性の高い建築損傷分類を実現することを目的とする。 提案モデルでは, ハリケーン・ハーヴェイに続き, 調査対象の建物について, 専門家ラベル付きジオタグ付き画像を含む偵察視覚データセットを訓練し, 検証した。
  論文  参考訳（メタデータ） (2022-08-06T01:04:13Z)
• GaLeNet: Multimodal Learning for Disaster Prediction, Management and Relief [2.007385102792989]
  本稿では,災害前画像と気象データとハリケーンの軌跡を補完することにより,被害の深刻度を評価するためのマルチモーダル・フレームワーク(GaLeNet)を提案する。 本稿では,GaLeNetがディスラスタ画像の欠如により,事前ディスラスタ画像の活用が可能であることを示し,意思決定の大幅な遅延を防止できることを示す。
  論文  参考訳（メタデータ） (2022-06-18T16:45:57Z)
• xView3-SAR: Detecting Dark Fishing Activity Using Synthetic Aperture Radar Imagery [52.67592123500567]
  世界の漁業は海洋資源や生態系に大きな脅威をもたらす。 夜間または夜間、全天候下で暗黒船の自動検出が可能となった。 xView3-SARは、Sentinel-1ミッションから得られた1000近い分析可能なSAR画像で構成されている。
  論文  参考訳（メタデータ） (2022-06-02T06:53:45Z)
• Incidents1M: a large-scale dataset of images with natural disasters, damage, and incidents [28.16346818821349]
  洪水、竜巻、山火事などの自然災害は、地球が温暖化するにつれてますます広まりつつある。 事故の発生時期や発生時期を予測することは困難であり、破壊的な出来事によって危険にさらされている人々の命を救うために、時折緊急対応が重要となる。 ソーシャルメディア投稿は、災害の進行と余波を理解するために低レイテンシデータソースとして使用できるが、このデータを解析するのは、自動化された方法なしでは面倒である。 本研究では,43のインシデントと49のカテゴリを含む977,088の画像を含む大規模マルチラベルデータセットであるインシデント1Mデータセットを提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:03:57Z)
• Detecting Damage Building Using Real-time Crowdsourced Images and Transfer Learning [53.26496452886417]
  本稿では,Twitterなどのソーシャルメディアプラットフォームから地震後の建物画像を自動的に抽出する手法を提案する。 トランスファーラーニングと6500枚の手動ラベル付き画像を用いて,現場に損傷のある建物を画像として認識する深層学習モデルを訓練した。 訓練されたモデルは、異なる場所で新たに取得した地震の画像でテストし、トルコのM7.0地震の後、Twitterのフィードでほぼリアルタイムで実行された。
  論文  参考訳（メタデータ） (2021-10-12T06:31:54Z)
• EmergencyNet: Efficient Aerial Image Classification for Drone-Based Emergency Monitoring Using Atrous Convolutional Feature Fusion [8.634988828030245]
  本稿では,緊急対応・監視用uavの航空機画像の効率的な分類について述べる。 緊急対応アプリケーションのための専用空中画像データベースを導入し、既存のアプローチの比較分析を行う。 マルチレゾリューション機能を処理するために,アトラス畳み込みに基づく軽量畳み込みニューラルネットワークアーキテクチャが提案されている。
  論文  参考訳（メタデータ） (2021-04-28T20:24:10Z)
• 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)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。