مقاله استفاده از CNN و یادگیری گروهی برای طبقه‌بندی خودکار تصاویر فاجعه

چکیده

Natural disasters act as a serious threat globally, requiring effective and efficient disaster management and recovery. This paper focuses on classifying natural disaster images using Convolutional Neural Networks (CNNs). Multiple CNN architectures were built and trained on a dataset containing images of earthquakes, floods, wildfires, and volcanoes. A stacked CNN ensemble approach proved to be the most effective, achieving 95% accuracy and an F1 score going up to 0.96 for individual classes. Tuning hyperparameters of individual models for optimization was critical to maximize the models’ performance. The stacking of CNNs with XGBoost acting as the meta-model utilizes the strengths of the CNN and ResNet models to improve the overall accuracy of the classification. Results obtained from the models illustrated the potency of CNN-based models for automated disaster image classification. This lays the foundation for expanding these techniques to build robust systems for disaster response, damage assessment, and recovery management.

چکیده به فارسی (ترجمه ماشینی)

بلایای طبیعی به عنوان یک تهدید جدی در سطح جهان عمل می کند و نیاز به مدیریت و بازیابی فاجعه مؤثر و کارآمد دارد.در این مقاله به طبقه بندی تصاویر فاجعه طبیعی با استفاده از شبکه های عصبی Convolutional (CNN) می پردازیم.معماری های متعدد CNN بر روی یک مجموعه داده ساخته شده و حاوی تصاویری از زمین لرزه ها ، سیل ها ، آتش سوزی ها و آتشفشانها ساخته شده است.یک رویکرد گروه CNN انباشته شده مؤثرترین ، دستیابی به دقت 95 ٪ و نمره F1 برای کلاس های فردی است.تنظیم هایپرپارامترهای مدل های فردی برای بهینه سازی برای به حداکثر رساندن عملکرد مدل ها بسیار مهم بود.انباشت CNN ها با XGBOOST به عنوان متا مدل از نقاط قوت مدل های CNN و RESNET برای بهبود دقت کلی طبقه بندی استفاده می کند.نتایج به دست آمده از مدل ها نشان دهنده قدرت مدلهای مبتنی بر CNN برای طبقه بندی خودکار تصویر فاجعه است.این پایه و اساس گسترش این تکنیک ها برای ساخت سیستم های قوی برای پاسخ به فاجعه ، ارزیابی آسیب و مدیریت بازیابی است.