基于多任务排序方法的社交媒体图像水位预测
计算机视觉与模式识别
2020-07-15 v1 机器学习
摘要
洪水是最频繁且最具灾难性的自然灾害之一，影响着全球数百万人口。创建准确的洪水地图对于（离线）规划和（实时）开展防洪减灾与救援行动至关重要。可以说，从社交媒体收集的图像能为该任务提供原本无法获得的有用信息。我们引入了一种计算机视觉系统，用于从洪水事件期间拍摄的社交媒体图像中估计水深，以便（近）实时构建洪水地图。我们提出了一种多任务（深度）学习方法，其中模型同时使用回归损失和成对排序损失进行训练。我们的方法源于如下观察：基于图像的洪水水位估计的一个主要瓶颈是训练数据——对不受控图像标注正确水深十分困难且需要大量精力。我们展示了如何从一个小规模标注水位集合和一个更大的弱标注集合（仅指示两幅图像中哪一幅水位更高，且更易获取）中高效学习预测器。此外，我们提供了一个名为 DeepFlood 的新数据集，包含 8145 张标注的地面水平图像，并表明所提出的多任务方法能从单张众包图像中以约 11 cm 的均方根误差预测水位。
引用
@article{arxiv.2007.06749,
title = {Water level prediction from social media images with a multi-task ranking approach},
author = {P. Chaudhary and S. D'Aronco and J. P. Leitao and K. Schindler and J. D. Wegner},
journal= {arXiv preprint arXiv:2007.06749},
year = {2020}
}
备注
Accepted in ISPRS Journal 2020