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

通过收集自然灾害期间 Twitter 上的大量多模态数据集，为人道主义组织提供了有用的三种注释类型以解决危机响应和管理任务，特别关注社交媒体上的图像内容在减灾救灾中的作用。

May, 2018

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

本文介绍了使用弱监督创建标记数据集以训练机器学习模型来识别三种不同类型的自然灾害的方法，其表现优于人工标注的金标准数据集，并公开了数据集以供科研社区使用。

Jul, 2022

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

该论文介绍了一个基于社交媒体（文本和图像）的人工智能的实际应用程序来拯救在自然灾害中的人类生命和减轻人类的苦难，在利用文本上取得了显著的进展之后，对于利用图像的研究仍然相对较少。为了推进基于图像的方法，作者提出 MEDIC，这是一个包含 71,198 个图像的最大人道主义反应社交媒体图像分类数据集，为多任务学习设置中的四个不同任务提供答案。

Aug, 2021

本文提出了一种利用语义嵌入和无监督学习的方法，在社交媒体的帖子数据集中对于重大自然灾害的子事件进行识别，并对其进行分析和分类。通过对两组数据集进行实验证明了该方法的有效性和优越性。

Dec, 2019

本文通过弱监督学习建立高质量的社交媒体紧急信息分类器，使用 Twitter 上的微博信息以及事件关键词帮助快速生成高质量的标签化数据，利用前续信息和回复信息来丰富微博表示方法以处理嘈杂短小的用户生成信息，且仅需 1-2 人时的人工监督即可在两次飓风期间实现优于需要 50 人时手动标注的管理分类器。

Oct, 2020

本文综述了利用社交媒体进行智能化灾难救援和响应的新前沿，研究了灾难的不同阶段在社交媒体上如何表现，建立了基于社交媒体的建议方法与首次救援组织之间的联系，并概述了当前挑战和未来研究方向。

Sep, 2017