論文の概要: Enabling Quick, Accurate Crowdsourced Annotation for Elevation-Aware Flood Extent Mapping

• arxiv url: http://arxiv.org/abs/2408.05350v1
• Date: Wed, 31 Jul 2024 23:42:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-19 04:07:11.633721
• Title: Enabling Quick, Accurate Crowdsourced Annotation for Elevation-Aware Flood Extent Mapping
• Title（参考訳）: Elevation-Aware Flood Extent Mapping のためのクイックで正確なクラウドソースアノテーションの提案
• Authors: Landon Dyken, Saugat Adhikari, Pravin Poudel, Steve Petruzza, Da Yan, Will Usher, Sidharth Kumar,
• Abstract要約: FloodTraceは、機械学習トレーニングデータに対する浸水領域アノテーションの効果的なクラウドソーシングを可能にするアプリケーションである。 我々は,不確実性ビジュアライゼーションにインスパイアされた手法を用いて,集約されたクラウドソースアノテーションと不正確さをレビューするフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 6.55068241536296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In order to assess damage and properly allocate relief efforts, mapping the extent of flood events is a necessary and important aspect of disaster management. In recent years, deep learning methods have evolved as an effective tool to quickly label high-resolution imagery and provide necessary flood extent mappings. These methods, though, require large amounts of annotated training data to create models that are accurate and robust to new flooded imagery. In this work, we provide FloodTrace, an application that enables effective crowdsourcing for flooded region annotation for machine learning training data, removing the requirement for annotation to be done solely by researchers. We accomplish this through two orthogonal methods within our application, informed by requirements from domain experts. First, we utilize elevation-guided annotation tools and 3D rendering to inform user annotation decisions with digital elevation model data, improving annotation accuracy. For this purpose, we provide a unique annotation method that uses topological data analysis to outperform the state-of-the-art elevation-guided annotation tool in efficiency. Second, we provide a framework for researchers to review aggregated crowdsourced annotations and correct inaccuracies using methods inspired by uncertainty visualization. We conducted a user study to confirm the application effectiveness in which 266 graduate students annotated high-resolution aerial imagery from Hurricane Matthew in North Carolina. Experimental results show the accuracy and efficiency benefits of our application apply even for untrained users. In addition, using our aggregation and correction framework, flood detection models trained on crowdsourced annotations were able to achieve performance equal to models trained on expert-labeled annotations, while requiring a fraction of the time on the part of the researcher.
• Abstract（参考訳）: 被害評価と救援活動の適正配分のためには,災害管理の必要かつ重要な側面として,洪水発生の度合いのマッピングが重要である。 近年,高解像度画像を高速にラベル付けし,必要な洪水範囲をマッピングする手段として,深層学習法が発展してきた。 しかしこれらの方法は、新しい浸水した画像に対して正確で堅牢なモデルを作成するために、大量の注釈付きトレーニングデータを必要とする。 本研究では,機械学習のトレーニングデータに対して,浸水領域アノテーションの効果的なクラウドソーシングを可能にするアプリケーションであるFloodTraceを提案する。 これをアプリケーション内の2つの直交的手法で実現し、ドメインの専門家の要求に応えます。 まず,標高誘導型アノテーションツールと3Dレンダリングを用いて,デジタル標高モデルデータを用いてユーザのアノテーション決定を通知し,アノテーションの精度を向上する。 この目的のために、トポロジカルデータ解析を用いて、最先端の高度誘導アノテーションツールを効率良く上回る独自のアノテーション手法を提案する。 第2に,不確実性ビジュアライゼーションにインスパイアされた手法を用いて,集約されたクラウドソースアノテーションと不正確性を検証するためのフレームワークを提供する。 ノースカロライナのハリケーン・マシューの高分解能空中画像に266人の大学院生が注釈を付けた場合の有効性を検証するために,ユーザスタディを行った。 実験結果から,未学習ユーザに対しても,アプリケーションの精度と効率性について検討した。 さらに,集約と修正フレームワークを用いて,クラウドソースアノテーションでトレーニングした洪水検出モデルは,専門家によるアノテーションでトレーニングしたモデルに匹敵する性能を達成できた。

関連論文リスト

• Granularity Matters in Long-Tail Learning [62.30734737735273]
  より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。 既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。 補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
  論文  参考訳（メタデータ） (2024-10-21T13:06:21Z)
• Improving Malware Detection with Adversarial Domain Adaptation and Control Flow Graphs [10.352741619176383]
  戦闘コンセプトの既存のソリューションは、アクティブラーニングを使用する。 グラフニューラルネットワークを利用してマルウェア制御後のフローグラフの保持情報を学習する手法を提案する。 提案手法は,バイナリ分類タスクにおける未知のマルウェアファミリーの予測と,マルチクラス環境でのドリフトされたマルウェアファミリーの予測において,大幅な向上を示すものである。
  論文  参考訳（メタデータ） (2024-07-18T22:06:20Z)
• Terrain-Informed Self-Supervised Learning: Enhancing Building Footprint Extraction from LiDAR Data with Limited Annotations [1.3243401820948064]
  フットプリントマップの構築は、広範な後処理なしで正確なフットプリント抽出を約束する。 ディープラーニング手法は、一般化とラベルの効率の面で課題に直面している。 リモートセンシングに適した地形認識型自己教師型学習を提案する。
  論文  参考訳（メタデータ） (2023-11-02T12:34:23Z)
• Annotation Error Detection: Analyzing the Past and Present for a More Coherent Future [63.99570204416711]
  我々は、潜在的なアノテーションの誤りを検知するための18の手法を再実装し、9つの英語データセット上で評価する。 アノテーションエラー検出タスクの新しい形式化を含む一様評価設定を定義する。 私たちはデータセットと実装を,使いやすく,オープンソースのソフトウェアパッケージとしてリリースしています。
  論文  参考訳（メタデータ） (2022-06-05T22:31:45Z)
• Dynamic Supervisor for Cross-dataset Object Detection [52.95818230087297]
  オブジェクト検出タスクにおけるデータセット間のトレーニングは、データセットにまたがるカテゴリ内の不整合が、完全に教師付き学習を半教師付き学習に変換するため、複雑である。 本稿では,ハードラベルとソフトラベルを併用した複数更新サブモデルを用いて,アノテーションを複数回更新する動的スーパーバイザフレームワークを提案する。 最終生成アノテーションでは、ハードラベルトレーニングとソフトラベルトレーニングを統合することで、リコールと精度が大幅に向上した。
  論文  参考訳（メタデータ） (2022-04-01T03:18:46Z)
• Information-Theoretic Odometry Learning [83.36195426897768]
  生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。 提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
  論文  参考訳（メタデータ） (2022-03-11T02:37:35Z)
• Clustering augmented Self-Supervised Learning: Anapplication to Land Cover Mapping [10.720852987343896]
  本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。 社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2021-08-16T19:35:43Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• Towards Using Count-level Weak Supervision for Crowd Counting [55.58468947486247]
  本稿では,少数の位置レベルのアノテーション(十分に教師された)と大量のカウントレベルのアノテーション(弱教師付き)からモデルを学習する,弱教師付き群集カウントの問題について検討する。 我々は、生成した密度マップの自由を制限するための正規化を構築するために、単純なyet効果のトレーニング戦略、すなわちMultiple Auxiliary Tasks Training (MATT)を考案した。
  論文  参考訳（メタデータ） (2020-02-29T02:58:36Z)
• Localized Flood DetectionWith Minimal Labeled Social Media Data Using Transfer Learning [3.964047152162558]
  ソーシャルセンシングモデル(Twitter)を用いた局所的な洪水検出の問題点について検討する。 本研究は,緊急意思決定や救助活動,早期警戒等のために,洪水関連のアップデートや通知を市当局に提供する上で極めて有効である。
  論文  参考訳（メタデータ） (2020-02-10T20:17:34Z)

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。