结合现代迁移学习重温经典Bagging用于即时灾害损伤检测器
机器学习
2019-10-07 v1 计算机视觉与模式识别
机器学习
摘要
利用航拍影像进行灾后自动损伤检测对于快速评估灾害造成的破坏和制定恢复计划至关重要。阻碍我们在实践中创建可用模型的主要问题在于，我们试图检测的受损（正）样本比未受损（负）样本更难获取，尤其是在短时间内。本文在现代迁移学习背景下重温经典的bootstrap aggregating（装袋）方法，以实现数据高效的灾害损伤检测。与以往经典集成学习文章不同，我们的工作指出了在深度迁移学习中简单bagging的有效性，而这一点在不平衡分类背景下一直被低估。在AIST Building Change Detection数据集上的基准结果表明，我们的方法显著优于现有方法，包括近期提出的解耦学习。
引用
@article{arxiv.1910.01911,
title = {Revisiting Classical Bagging with Modern Transfer Learning for On-the-fly Disaster Damage Detector},
author = {Junghoon Seo and Seungwon Lee and Beomsu Kim and Taegyun Jeon},
journal= {arXiv preprint arXiv:1910.01911},
year = {2019}
}
备注
Accepted at the 2019 NeurIPS Workshop on Artificial Intelligence for Humanitarian Assistance and Disaster Response(AI+HADR 2019)