Deep-Disaster：基于视觉数据的无监督灾害检测与定位
计算机视觉与模式识别
2022-02-02 v1
摘要
社交媒体在共享重要信息方面发挥着重要作用，有助于人道主义组织在灾害发生期间及之后开展救援行动。然而，开发一种能够在灾害发生初期对社交媒体图像进行快速分析的高效方法，仍是一个很大程度上未解决的问题，这主要归因于缺乏合适的数据集以及该任务本身的极高复杂性。此外，有监督方法难以很好地泛化到新颖的灾害事件。本文受知识蒸馏（KD）方法成功的启发，提出一种无监督深度神经网络来检测和定位社交媒体图像中的损毁区域。我们提出的 KD 架构是一种基于特征蒸馏的方法，由一个预训练的教师网络和一个较小的学生网络组成，两个网络均具有相似的 GAN 架构，包含生成器和判别器。学生网络被训练为在训练输入样本上模仿教师网络的行为，而训练样本中包含的图像均不含任何损毁区域。因此，学生网络仅学习无损毁数据的分布，在面对损毁时会表现出与教师网络不同的行为。为检测损毁，我们利用两个网络生成特征之间的差异，通过定义的分数函数给出损毁发生的概率。我们在基准数据集上的实验结果表明，我们的方法在检测和定位损毁区域方面优于最先进的方法，尤其是对于新颖灾害类型。
引用
@article{arxiv.2202.00050,
title = {Deep-Disaster: Unsupervised Disaster Detection and Localization Using Visual Data},
author = {Soroor Shekarizadeh and Razieh Rastgoo and Saif Al-Kuwari and Mohammad Sabokrou},
journal= {arXiv preprint arXiv:2202.00050},
year = {2022}
}