一种新型灾害图像数据集及基于注意力模型的特征分析
计算机视觉与模式识别
2021-07-06 v1
摘要
深度学习技术的进步使我们能够开发出优于其他任何分类技术的系统。然而，任何经验系统的成功都取决于可用于训练所提出系统的数据的质量与多样性。在本研究中，我们精心收集了一个相对具有挑战性的数据集，包含从多种来源收集的关于三类不同灾害的图像：火灾、水灾和地质灾害。此外，我们还收集了因自然或人为灾难导致的各类受损基础设施图像，以及因战争或事故导致的人体损伤图像。我们还为名为“无损伤”的类别积累了图像数据，其中包含无此类灾害或损伤迹象的图像。该数据集包含 13,720 张人工标注图像，每张图像由三人标注。我们还提供了一组 200 张测试图像的判别性图像类别信息，并人工以边界框标注。图像收集自不同新闻门户、社交媒体以及其他研究者提供的标准数据集。我们训练了一个三层注意力模型（TLAM），取得了 95.88% 的平均五折验证准确率。此外，在这 200 张未见测试图像上准确率为 96.48%。我们还生成并比较了这些测试图像的注意力图，以确定所训练注意力模型的特征。我们的数据集可在 https://niloy193.github.io/Disaster-Dataset 获取。
引用
@article{arxiv.2107.01284,
title = {A Novel Disaster Image Dataset and Characteristics Analysis using Attention Model},
author = {Fahim Faisal Niloy and Arif and Abu Bakar Siddik Nayem and Anis Sarker and Ovi Paul and M. Ashraful Amin and Amin Ahsan Ali and Moinul Islam Zaber and AKM Mahbubur Rahman},
journal= {arXiv preprint arXiv:2107.01284},
year = {2021}
}
备注
ICPR 2020