Nov, 2023

利用卷积神经网络和集成学习进行自动化灾害图像分类

PDF
TL;DR构建和训练多个卷积神经网络 (CNN) 架构，利用堆叠 CNN 集成方法对地震、洪水、野火和火山等自然灾害图像进行分类，实现了 95% 的准确率和 F1 得分达到 0.96，并通过调节超参数优化单个模型的性能，同时通过将 CNN 和 ResNet 模型与 XGBoost 元模型相结合，提高了分类的整体准确性，展示了基于 CNN 的模型在自动化灾害图像分类中的有效性，为扩展这些技术以构建健壮的灾害响应、损伤评估和恢复管理系统打下了基础。
发现论文，激发创造
  • 卷积神经网络中的可解释性用于卫星图像中的建筑物损伤分类

    利用远程传感器和机器学习，通过卫星图像对建筑物受损程度进行分类和定量化，并采用可解释的深度学习技术来找出对分类最有用的信息特征和最优的优化方法。同时，使用 Grad-CAM 技术观察影像中影响分类的特征区域。

    Jan, 2022

  • 从卫星图像到灾难洞察

    本研究提出了一种卷积神经网络的框架来进行基于卫星图像的变化检测，通过阈值化和划分网格来找到灾害影响最严重的区域，并使用新的灾害影响指数（DII）来衡量自然灾害的影响。在应用于飓风哈维和圣塔罗莎大火数据集时，框架的 F1 分数分别为 81.2％和 83.5％。

    Dec, 2018

  • DeepDamageNet: 使用卫星图像的多灾害建筑损坏分割和分类的两步深度学习模型

    通过深度学习模型，在 xView2 挑战中取得了 0.66 的 F1 分数，超过 0.28 的挑战基准分数，发现不同损伤等级和不同灾害类型之间的视觉相似性和损害分布差异导致建筑物损伤分类是一项困难任务，可能需要具备关于灾害损害的概率先验估计，以获得准确的预测。

    May, 2024

  • 使用深度卷积神经网络优化的集成学习医学图像分类分析

    该研究提出了一种可复现的医学图像分类管道，分析了集成学习技术在深度学习医学图像分类管道中的优化效果，发现 Stacking 技术效果最好，能增加 13％的 F1 得分，此外，Augmenting 和 Bagging 技术也能显著提高性能。此外也展示了简单的统计汇总函数与较复杂的机器学习技术汇总函数相比并不逊色。综述结果表明，集成学习技术的使用能够为医学图像分类管道提高性能和抗干扰能力。

    Jan, 2022

  • 深度卷积神经网络的集成方法在图像分类中的相对性能

    该研究通过探究多种集成方法，包括超级学习器等，运用人工神经网络在图像识别任务中进行设计多个实验，并进一步研究了神经网络的过度自信现象及其对集成方法的影响，并在所有实验中发现超级学习器是表现最佳的集成方法。

    Apr, 2017

  • 野火危险度预测的迁移学习优化

    该研究利用卷积神经网络（CNN）和迁移学习技术分析地理空间数据，特别是用于识别受野火影响的区域，并结合加拿大火险指数（FWI）评估湿度条件，通过建立一个 0 至 5 的火险级别量表与天气模式动态连接，实现了大规模烧毁区域的准确识别，为预测和减轻火灾提供了实时实用的方法。

    Mar, 2024

  • 基于多视角深度学习的可靠后灾害损伤分类

    探索使用多视角图像和 AI 实现可靠的灾后建筑损伤分类方法，提出基于多视角卷积神经网络结构的损伤预测模型可以提高灾后建筑损伤等级的准确度和可靠性。

    Aug, 2022

  • 使用卷积神经网络在卫星图像中进行建筑物损伤检测

    利用机器学习技术自动检测卫星图像中的建筑物损伤，提高灾后救援响应效率。

    Oct, 2019

  • 乳腺肿瘤分类的集成卷积神经网络

    本研究探索了三种分类网络，即 XceptionNet、DenseNet 和 EfficientNet，通过集成机制来提高计算机辅助乳腺肿块分类的识别能力。在公共数据集上验证该方案，可以获得 88％的准确度，85％的精度和 76％的召回率。

    Apr, 2023

  • 利用异质集成深度学习分类技术自动化全球滑坡检测

    使用多个分割模型和不同的数据集，构建一个集成模型来提高山体滑坡地貌图的制作精度。集成模型使用 Sentinel-1 和 Sentinel-2 波段结合，以及通过植被指数 dNDVI 的变化来构建一个健全可靠的监测系统。

    Sep, 2023