論文の概要: Evolution of Data-driven Single- and Multi-Hazard Susceptibility Mapping and Emergence of Deep Learning Methods
- arxiv url: http://arxiv.org/abs/2502.09045v1
- Date: Thu, 13 Feb 2025 08:01:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-14 13:48:25.651666
- Title: Evolution of Data-driven Single- and Multi-Hazard Susceptibility Mapping and Emergence of Deep Learning Methods
- Title（参考訳）: データ駆動型シングル・マルチ・ハザード・サセプティビリティマッピングの進化と深層学習法の創発
- Authors: Jaya Sreevalsan-Nair, Aswathi Mundayatt,
- Abstract要約: 近年,シングルハザード・サセプティビリティ・マッピングアルゴリズムが確立され,マルチハザード・サセプティビリティ・マッピングに拡張されている。
ディープラーニングは、シングルハザード・サセプティビリティ・マッピングの有望な方法として浮上している。
本稿では,マルチモーダル深層学習におけるデータ融合戦略をマルチハザード・サセプティビリティ・マッピングに適用するためのビジョンを提案する。
- 参考スコア（独自算出の注目度）: 1.1510009152620668
- License:
- Abstract: Data-driven susceptibility mapping of natural hazards has harnessed the advances in classification methods used on heterogeneous sources represented as raster images. Susceptibility mapping is an important step towards risk assessment for any natural hazard. Increasingly, multiple hazards co-occur spatially, temporally, or both, which calls for an in-depth study on multi-hazard susceptibility mapping. In recent years, single-hazard susceptibility mapping algorithms have become well-established and have been extended to multi-hazard susceptibility mapping. Deep learning is also emerging as a promising method for single-hazard susceptibility mapping. Here, we discuss the evolution of methods for a single hazard, their extensions to multi-hazard maps as a late fusion of decisions, and the use of deep learning methods in susceptibility mapping. We finally propose a vision for adapting data fusion strategies in multimodal deep learning to multi-hazard susceptibility mapping. From the background study of susceptibility methods, we demonstrate that deep learning models are promising, untapped methods for multi-hazard susceptibility mapping. Data fusion strategies provide a larger space of deep learning models applicable to multi-hazard susceptibility mapping.
- Abstract（参考訳）: ナチュラルハザードに対するデータ駆動型感受性マッピングは、ラスタ画像として表現される異種ソースに使用される分類手法の進歩を生かしている。
サセプティビリティマッピングは、自然の危険に対するリスク評価への重要なステップである。
複数のハザードが空間的に、時間的に、あるいは両方に共起し、マルチハザード・サセプティビリティー・マッピングに関する詳細な研究が求められている。
近年,シングルハザード・サセプティビリティ・マッピングアルゴリズムが確立され,マルチハザード・サセプティビリティ・マッピングに拡張されている。
ディープラーニングは、シングルハザード・サセプティビリティ・マッピングの有望な方法として浮上している。
ここでは、単一ハザードの手法の進化、決定の後期融合としてのマルチハザードマップへの拡張、および感受性マッピングにおけるディープラーニング手法の利用について論じる。
本稿では,マルチモーダル深層学習におけるデータ融合戦略をマルチハザード・サセプティビリティ・マッピングに適用するためのビジョンを提案する。
提案手法の背景から,マルチハザード・サセプティビリティ・マッピングにおいて,深層学習モデルが有望かつ未解決な手法であることを実証した。
データ融合戦略は、マルチハザード・サセプティビリティ・マッピングに適用可能な、より広い深層学習モデルを提供する。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳（メタデータ） (2023-04-20T11:40:21Z) - Subject-specific quantitative susceptibility mapping using patch based
deep image priors [13.734472448148333]
そこで本研究では,被検者固有のパッチベースの教師なし学習アルゴリズムを提案し,その感受性マップを推定する。
我々は、深層畳み込みニューラルネットワークを用いて、地図のパッチにまたがる冗長性を利用して、問題をうまく解決する。
このアルゴリズムを3次元インビジョデータセットで検証し、競合する手法よりも改良された再構成を実証した。
論文 参考訳（メタデータ） (2022-10-10T02:28:53Z) - Domain Generalization for Mammography Detection via Multi-style and
Multi-view Contrastive Learning [47.30824944649112]
限られたリソースを持つ様々なベンダーに対して,ディープラーニングモデルの一般化能力を高めるために,新しいコントラスト学習手法を開発した。
バックボーンネットワークは、さまざまなベンダースタイルに不変機能を組み込むために、マルチスタイルでマルチビューで教師なしの自己学習スキームで訓練されている。
実験結果から,本手法は目視領域と目視領域の両方における検出性能を効果的に向上する可能性が示唆された。
論文 参考訳（メタデータ） (2021-11-21T14:29:50Z) - Towards modelling hazard factors in unstructured data spaces using
gradient-based latent interpolation [2.3867305921818573]
生存分析(SA)における深層学習の適用は、従来の生存法では珍しい非構造的・高次元データ型を利用する機会を与える。
これにより、デジタルヘルス、予測保守、チャーン分析などの分野の手法を進歩させることができる。
本研究では,1)生存目標を持つマルチタスク可変オートエンコーダ (VAE) と,2) 元のデータ空間における危険因子をモデル化可能な新しい手法HazardWalkを提案する。
論文 参考訳（メタデータ） (2021-10-21T17:46:03Z) - Towards Unpaired Depth Enhancement and Super-Resolution in the Wild [121.96527719530305]
最先端のデータ駆動による深度マップの超解像法は、同じシーンの低解像度と高解像度の深度マップの登録ペアに依存している。
未経験データからの学習に基づく深度マップの強化について考察する。
論文 参考訳（メタデータ） (2021-05-25T16:19:16Z) - A Survey on Deep Semi-supervised Learning [51.26862262550445]
まず,既存の手法を分類した深層半指導学習の分類法を提案する。
次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
論文 参考訳（メタデータ） (2021-02-28T16:22:58Z) - Deep Learning-Based Solvability of Underdetermined Inverse Problems in
Medical Imaging [3.2214522506924093]
本研究は,ディープラーニングに適したトレーニングデータの構造に関する因果関係を学習し,高度に過小評価された逆問題を解決することに焦点を当てた。
医用画像における未決定線形システムの解法のほとんどは非線形である。
さらに、トレーニングデータから所望の再構成マップを学習可能かどうか、および過小判定システムから分析する。
論文 参考訳（メタデータ） (2020-01-06T07:52:37Z)
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。