基于深度学习的抗议活动多标签图像分类
开发了一种新的视觉模型,该模型能够通过视觉属性识别抗议者、描述他们的活动并估计在图像中所表现的暴力水平。通过分析从 2013 年到 2017 年的地理标记推文以及它们的图像,采用多任务卷积神经网络自动分类出图像中的抗议者,并预测视觉属性、感知的暴力和展示的情绪,并发布了包含 40,764 张图像的 UCLA 抗议图像数据集及相关注释。
Sep, 2017
本研究基于深度学习技术,在分析 2016 年一月份两百万张新闻照片的基础上,探索了新闻照片的出现物体、情感分析、性别表现、政治候选人形象等多个方面。该研究是首个大规模利用深度学习 API 进行新闻图片内容分析的工作。
Mar, 2016
大型语言和视觉模型已经改变了社会运动学者如何识别抗议活动并从多模态数据中提取关键的抗议属性。本文描述了我们如何通过对大规模预训练的转换器模型(包括 longformer 和 swin-transformer v2)进行微调,使用文本和图像数据来推断新闻文章中的潜在抗议活动。我们为下游任务使用 Dynamic of Collective Action (DoCA) Corpus 训练了 longformer 模型,并将纽约时报文章与 DoCA 数据库匹配,以获取训练数据集。我们还使用了 UCLA-protest 图像数据对 swin-transformer v2 模型进行了训练。我们通过 https://github.com/Joshzyj/llvms4protest 发布了这篇简短的技术报告,供对使用 LLVMs 来推断文本和图像数据中的抗议活动感兴趣的社会运动学者使用。
Nov, 2023
本文提出使用集成半监督学习方法来利用非标记数据,以更加快速和准确地对自然灾害等关键情况下所发布的社交媒体数据进行分类,从而更有效地提高救援响应效率。
May, 2018
研究以 2014 年至 2024 年间的遥感影像为基础的贫民窟绘图,重点关注深度学习方法,展示了越来越复杂的神经网络结构、数据预处理和模型训练技术的进步,以显著提高贫民窟识别精确度,评估了在全球不同地理环境中有效的关键方法,并提出了克服数据限制和模型解释性不足等挑战的潜在策略。
Jun, 2024
本篇论文使用卷积神经网络进行视觉内容的情感分析,对于利用大规模训练数据解决如此具有挑战性的图像情感分析问题提出了渐进式微调网络的策略,通过将人工标注的 Twitter 图像进行领域转移,提高了推特图像的性能,综合实验结果表明,所提出的 CNN 算法在图像情感分析中具有比竞争算法更好的性能。
Sep, 2015
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
本文提出利用深度学习方法,结合各种嵌入技术,在社交媒体中检测各种类型的仇恨言论,特别是在包含有限上下文信息的推文中,这是一种非常具有挑战性的任务,三个公开数据集的实验结果表明精确度和 F1 得分都有显著提高。
May, 2020