本论文使用多模态深度学习技术，提出了一种分析社交媒体数据中文字和图像模态的联合表征，并在真实的灾难数据集上进行了广泛的实验，证明了该多模式架构比单模型（例如，仅使用文本或图像）的模型表现更好。

Apr, 2020

灾害管理是一个极具潜力的研究领域，因为它对经济、环境和社会产生了重大影响。本研究重点分析与灾害管理相关的各种数据（卫星图像和推特数据），以深入分析按地理位置分组的紧急需求。通过两个阶段的研究，分别是卫星图像分析和推特数据分析，最后利用位置进行整合。利用基于 U-Net 架构的多类土地覆盖分割技术对地点进行灾后卫星图像分析是第一个阶段。第二个阶段侧重于为救援行动提供有关灾情和紧急需求的重要信息的地图绘制。通过使用与该地点相关的关键词，筛选出严重受灾地区，并提取推特数据。通过基于内容词的推特摘要（COWTS）技术从大量原始推特中提取情境信息。将这些模块实时整合，利用基于位置的地图绘制和频率分析技术，在发生灾害的情况下收集多维信息，例如对喀拉拉邦和密西西比州洪水进行了测试和验证。本研究的创新之处在于应用分割的卫星图像进行灾害救援，通过突出土地覆盖变化，并通过地区特定的筛选器整合推特数据，获取灾害的完整概览。

Nov, 2023

本文通过对社交媒体和卫星影像等灾害相关多媒体内容的回收、整理和分析，总结了灾害检测和多媒体内容分析的已有研究成果，包括文本、社交媒体视觉内容和卫星影像三个领域，并提出了未来趋势和面临的挑战。

Jan, 2019

本文介绍一种新的多模态融合方法，使用图形建模和交叉注意力，将图像和文本进行联合处理以提高应急响应能力。通过三个危机相关任务的测试，表明我们的方法明显优于单模态方法和基准的多模态方法。

Apr, 2020

本研究致力于提出一个名为 Incidents Dataset 的大规模图像数据集，以识别社交媒体平台上有关自然灾害的图片，并使用基线分类模型进行分类。

Aug, 2020

本研究对 19 种不同危机期间收集的 Twitter 语料库进行了人工标注并训练了机器学习分类器，此外还发布了在 5200 万条危机相关 Tweets 上训练的第一大 word2vec word embeddings，以应对消息的语言问题，提出了不同词汇变体的人工标注规范资源。

May, 2016

本文提出一种基于深度学习模型和人类标注的新型大规模社交媒体数据集，用于自然灾害期间信息分类和简洁归纳， 以改善现有数据集的局限性，提高分类准确度。

Apr, 2021

本文提出使用深度神经网络，通过随机梯度下降算法在线训练，处理 Twitter 中的人道主义信息反应，包括鉴别信息推文和分类主题。

Oct, 2016

本文提出了一种基于卷积神经网络和类别激活映射的新方法，用于在社交媒体图像中定位灾害损失并量化其程度，从而提供一种相对于昂贵的地理信息系统方法更为经济有效的、基于社交网络图像的灾后损失评估方案。

Jun, 2018

本论文旨在通过整合多个数据集，提高处理社交媒体上危机相关数据的深度学习模型的性能，从而增强人道主义应对能力。研究集中在危机信息学的相关技术和系统，以及二元或多类分类任务的性能指标。

Apr, 2020