面向快速灾害响应的社交媒体图像分类模型的鲁棒训练
计算机视觉与模式识别
2021-07-20 v2 计算机与社会
机器学习
社会与信息网络
摘要
社交媒体上分享的图像有助于危机管理人员获取态势感知并评估所受损害,以及其他响应任务。由于此类内容的体量与速度通常较高,实时图像分类已成为加快灾害响应的迫切需求。计算机视觉与深度神经网络的最新进展使得针对若干任务开发实时图像分类模型成为可能,包括检测危机事件、过滤无关图像、将图像分类至特定人道类别以及评估损害严重程度。为开发鲁棒实时模型,有必要理解公开可用预训练模型在这些任务上的能力,这在危机信息学文献中仍未被充分探索。在本研究中,我们利用这些任务最大的公开可用数据集,针对四个不同任务考察十种不同网络架构,从而解决此类局限。我们还探索了多种数据增强策略、半监督技术以及多任务学习设置。在我们广泛的实验中,取得了有前景的结果。
引用
@article{arxiv.2104.04184,
title = {Robust Training of Social Media Image Classification Models for Rapid Disaster Response},
author = {Firoj Alam and Tanvirul Alam and Muhammad Imran and Ferda Ofli},
journal= {arXiv preprint arXiv:2104.04184},
year = {2021}
}
备注
Social media images, Image Classification, Natural disasters, Crisis Informatics, Deep learning. Extended version of arXiv:2011.08916. arXiv admin note: substantial text overlap with arXiv:2011.08916