論文の概要: Bayesian Modeling of Zero-Shot Classifications for Urban Flood Detection
- arxiv url: http://arxiv.org/abs/2503.14754v1
- Date: Tue, 18 Mar 2025 21:53:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-20 15:26:09.055581
- Title: Bayesian Modeling of Zero-Shot Classifications for Urban Flood Detection
- Title（参考訳）: 都市洪水検出のためのゼロショット分類のベイズモデル
- Authors: Matt Franchi, Nikhil Garg, Wendy Ju, Emma Pierson,
- Abstract要約: ストリートシーンデータセットは、都市オブジェクトやストリートフラッディングのようなインシデントを検出する、有望な手段を提供する。
これらのデータセットを使用する際の大きな課題は、信頼性のあるラベルの欠如である。
本稿では,この困難を回避する2段階のアプローチであるBayFloodを提案する。
- 参考スコア（独自算出の注目度）: 9.264147242217364
- License:
- Abstract: Street scene datasets, collected from Street View or dashboard cameras, offer a promising means of detecting urban objects and incidents like street flooding. However, a major challenge in using these datasets is their lack of reliable labels: there are myriad types of incidents, many types occur rarely, and ground-truth measures of where incidents occur are lacking. Here, we propose BayFlood, a two-stage approach which circumvents this difficulty. First, we perform zero-shot classification of where incidents occur using a pretrained vision-language model (VLM). Second, we fit a spatial Bayesian model on the VLM classifications. The zero-shot approach avoids the need to annotate large training sets, and the Bayesian model provides frequent desiderata in urban settings - principled measures of uncertainty, smoothing across locations, and incorporation of external data like stormwater accumulation zones. We comprehensively validate this two-stage approach, showing that VLMs provide strong zero-shot signal for floods across multiple cities and time periods, the Bayesian model improves out-of-sample prediction relative to baseline methods, and our inferred flood risk correlates with known external predictors of risk. Having validated our approach, we show it can be used to improve urban flood detection: our analysis reveals 113,738 people who are at high risk of flooding overlooked by current methods, identifies demographic biases in existing methods, and suggests locations for new flood sensors. More broadly, our results showcase how Bayesian modeling of zero-shot LM annotations represents a promising paradigm because it avoids the need to collect large labeled datasets and leverages the power of foundation models while providing the expressiveness and uncertainty quantification of Bayesian models.
- Abstract（参考訳）: ストリートビューやダッシュボードカメラから収集されたストリートシーンデータセットは、都市オブジェクトやストリートフラッディングのようなインシデントを検出する有望な手段を提供する。
しかし、これらのデータセットを使用する際の大きな課題は、信頼できるラベルの欠如である。
本稿では,この困難を回避する2段階のアプローチであるBayFloodを提案する。
まず,事前学習された視覚言語モデル(VLM)を用いて,事故発生箇所のゼロショット分類を行う。
第二に、VLM分類に空間ベイズモデルを適用する。
ゼロショットアプローチは、大規模なトレーニングセットに注釈を付ける必要を回避し、ベイズモデルでは、都市環境で頻繁にデシラタを提供する。
我々はこの2段階のアプローチを総合的に検証し、VLMが複数の都市や期間にわたる洪水に対して強いゼロショット信号を提供することを示した。
我々の分析では、現在の方法で見落とされた洪水のリスクが高い113,738人、既存の方法の人口統計バイアスを特定し、新しい洪水センサーの場所を提案する。
以上の結果から,ゼロショットLMアノテーションのベイズ的モデリングは,大規模ラベル付きデータセットの収集を回避し,基礎モデルのパワーを生かし,ベイズ的モデルの表現性と不確かさの定量化を提供するため,有望なパラダイムであることを示す。
関連論文リスト
- Confidence Aware Learning for Reliable Face Anti-spoofing [52.23271636362843]
本稿では,その能力境界を意識した信頼認識顔アンチスプーフィングモデルを提案する。
各サンプルの予測中にその信頼性を推定する。
実験の結果,提案したCA-FASは予測精度の低いサンプルを効果的に認識できることがわかった。
論文 参考訳（メタデータ） (2024-11-02T14:29:02Z) - Generative Edge Detection with Stable Diffusion [52.870631376660924]
エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。
本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。
複数のデータセットに対して広範な実験を行い、競争性能を達成する。
論文 参考訳（メタデータ） (2024-10-04T01:52:23Z) - Off to new Shores: A Dataset & Benchmark for (near-)coastal Flood Inundation Forecasting [7.4807361562214405]
洪水は最も一般的で破壊的な自然災害の一つである。
近年の気象予知と宇宙からの洪水のマッピングは、極端な出来事を予想できる可能性を示した。
洪水範囲の直接予測を可能にするデータセットとベンチマークが欠如している。
論文 参考訳（メタデータ） (2024-09-27T09:51:25Z) - Ensemble quantile-based deep learning framework for streamflow and flood prediction in Australian catchments [0.31666540219908274]
近年、洪水のような気候の極端は、オーストラリアにとって重要な環境と経済の危険を生み出している。
深層学習の手法は、極端な気候現象を予測することを約束しているが、大規模な洪水は重要な課題である。
大規模ストリームフロー予測に対処するアンサンブル量子化に基づくディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-20T23:45:04Z) - Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。
DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。
10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2024-07-20T01:34:13Z) - Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。
拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。
MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
論文 参考訳（メタデータ） (2024-05-01T12:03:39Z) - Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。
近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。
洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文 参考訳（メタデータ） (2023-07-29T22:49:50Z) - Toward Data-Driven Glare Classification and Prediction for Marine
Megafauna Survey [0.3694429692322631]
カナダ北大西洋海域の絶滅危惧種は、個体群を推定するために体系的に調査されている。
政策に影響を及ぼすため、人口の正確さが重要である。
本稿では,データ駆動型グレアモデリングシステムの基礎を築いた。
論文 参考訳（メタデータ） (2023-03-03T18:46:19Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳（メタデータ） (2023-02-20T16:08:54Z) - Determination of building flood risk maps from LiDAR mobile mapping data [11.128919681798664]
洪水シミュレーションは、洪水の危険がある地域や建物に早期警告を与えることができる。
ファサードの開口部の高さを知ることは、水浸水の影響を受けやすい場所を特定するのに役立つ。
本研究では,LiDAR移動地図データから窓やドアを抽出する手法を提案する。
論文 参考訳（メタデータ） (2022-01-14T15:36:08Z) - Contributions to Large Scale Bayesian Inference and Adversarial Machine
Learning [0.0]
ML手法の急速な採用により、モデルは通常、予測の不確実性を考慮せずに決定を下すために採用されていることが明らかになった。
我々は,予測的説明の不確実性を考慮したMLシステムの開発が現実のタスクにとって必須であると考えている。
論文 参考訳（メタデータ） (2021-09-25T23:02:47Z)
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。