利用卫星图像和隐私增强的移动数据相结合的新型数据融合方法,用于增强实时或历史事件推断任务,应用场景包括农村地区的小规模灾害检测(如龙卷风、野火和洪水)、偏远荒野地区失踪徒步者的搜救以及战乱国家的活动冲突区域和人口流离失所地的识别。
Jan, 2024
稀有事件预测是使用机器学习和数据分析识别和预测低概率事件。由于数据分布不均衡,普通事件的频率远远超过稀有事件,需要在机器学习流程中的每个步骤中使用专门的方法,从数据处理到算法到评估协议。该论文全面综述了稀有事件预测的当前方法在四个方面:稀有事件数据,数据处理,算法方法和评估方法。它旨在找出当前文献中的差距并突出预测稀有事件的挑战。它还提出了潜在的研究方向,可帮助指导从业人员和研究人员。
Sep, 2023
本文研究了如何处理在应用深度学习技术识别危机管理时,数据高度不平衡的情况,探讨了多种技术并提出了一套综合方法,旨在提高少数类别分类的性能和模型可靠性。
Apr, 2020
本文探索了利用文本输入进行太空态势感知任务,并构建了一个涵盖所有已知活动卫星的 48.5k 新闻文章的语料库,通过基于依赖规则的提取系统来标识太空事件句子,并通过人工标注来提取事件插槽。研究表明,采用最先进的神经抽取系统在这个低资源、高影响的领域可以实现每个事件插槽的 F1 值在 53 到 91 之间。
Jan, 2022
本研究提出了一种基于事例推理的方法来评估机器学习模型预测的可信度,并通过可视化的方式呈现之前相似的情况,进一步证明了该方法对于处理欺诈检测中的机器学习警报具有实用性和易用性。
Jul, 2019
在这项研究中,我们使用卫星图像数据来预测电信网络的性能,实验证明模型在不同地区都表现出很好的泛化能力,并且对于新部署的站点提供了一个可行的初始性能估计方法。
Apr, 2024
使用卫星数据的变压器模型现在预测地基雷达图像序列,可在两小时领先时间内,支持大范围的降水预测并为数据稀缺地区提供雷达替代品。
Oct, 2023
本研究提出了一种多阶段学习框架以解决罕见事件的数据不平衡问题,并且成功开发了一种在评估智能系统安全性方面具有更高精确度和可靠性的关键性预测模型。
Mar, 2024
本文提出了一种新的方法来解决缺乏标注训练数据在卫星图像的细粒度解释方面的难题,通过将地理参考维基百科文章与其对应位置的卫星图像配对构建名为 WikiSatNet 的新型数据集,并提出了两种学习卫星图像表示的策略。在最新发布的 fMoW 数据集上,本文的预训练策略可以将在 ImageNet 预训练的模型的 F1 分数提高 4.5%。
May, 2019
本文提出了一种解决罕见物体检测任务的方法,通过离线和在线聚类方法,显著提高样本曝光效率并实现有效的机器学习地图绘制。以肯尼亚和坦桑尼亚的塞伦盖蒂玛拉地区的 bomas 检测为例,实验证明了检测效率的显著提升,预算为 300 个样本总数时的 boma 检测任务的 F1 分数为 0.51。