ترجمه فارسی مقاله فعال کردن حاشیه‌نویسی سریع و دقیق از طریق جمع‌سپاری برای نقشه‌برداری از وسعت سیل با توجه به ارتفاع

چکیده

In order to assess damage and properly allocate relief efforts, mapping the extent of flood events is a necessary and important aspect of disaster management. In recent years, deep learning methods have evolved as an effective tool to quickly label high-resolution imagery and provide necessary flood extent mappings. These methods, though, require large amounts of annotated training data to create models that are accurate and robust to new flooded imagery. In this work, we provide FloodTrace, an application that enables effective crowdsourcing for flooded region annotation for machine learning training data, removing the requirement for annotation to be done solely by researchers. We accomplish this through two orthogonal methods within our application, informed by requirements from domain experts. First, we utilize elevation-guided annotation tools and 3D rendering to inform user annotation decisions with digital elevation model data, improving annotation accuracy. For this purpose, we provide a unique annotation method that uses topological data analysis to outperform the state-of-the-art elevation-guided annotation tool in efficiency. Second, we provide a framework for researchers to review aggregated crowdsourced annotations and correct inaccuracies using methods inspired by uncertainty visualization. We conducted a user study to confirm the application effectiveness in which 266 graduate students annotated high-resolution aerial imagery from Hurricane Matthew in North Carolina. Experimental results show the accuracy and efficiency benefits of our application apply even for untrained users. In addition, using our aggregation and correction framework, flood detection models trained on crowdsourced annotations were able to achieve performance equal to models trained on expert-labeled annotations, while requiring a fraction of the time on the part of the researcher.

چکیده به فارسی (ترجمه ماشینی)

به منظور ارزیابی خسارت و تخصیص صحیح تلاشهای امدادی ، نقشه برداری از میزان وقوع سیل جنبه لازم و مهم مدیریت فاجعه است.در سالهای اخیر ، روشهای یادگیری عمیق به عنوان ابزاری مؤثر برای برچسب زدن سریع تصاویر با وضوح بالا و تهیه نقشه های لازم سیل تکامل یافته است.این روشها ، با این حال ، به مقادیر زیادی از داده های آموزش حاشیه نویسی نیاز دارند تا مدلهایی را ایجاد کنند که دقیق و قوی در تصاویر جدید سیلاب باشند.در این کار ، ما FloodTrace را ارائه می دهیم ، کاربردی که امکان جمع آوری جمعیت مؤثر برای حاشیه نویسی منطقه سیلاب را برای داده های آموزش یادگیری ماشین فراهم می کند و نیاز به حاشیه نویسی را که فقط توسط محققان انجام می شود ، حذف می کند.ما این کار را از طریق دو روش متعامد در برنامه خود انجام می دهیم ، که توسط الزامات کارشناسان دامنه آگاه است.اول ، ما از ابزارهای حاشیه نویسی با هدایت ارتفاع و رندر سه بعدی برای اطلاع رسانی تصمیمات حاشیه نویسی کاربر با داده های مدل ارتفاع دیجیتال ، بهبود دقت حاشیه نویسی استفاده می کنیم.برای این منظور ، ما یک روش حاشیه نویسی منحصر به فرد ارائه می دهیم که از تجزیه و تحلیل داده های توپولوژیکی برای بهتر از ابزار حاشیه نویسی با هدایت ارتفاع در کارآیی استفاده می کند.دوم ، ما چارچوبی را برای محققان فراهم می کنیم تا حاشیه نویسی های جمع شده جمع شده را بررسی کنند و نادرستی ها را با استفاده از روش هایی که با الهام از تجسم عدم اطمینان انجام می شود ، اصلاح کنند.ما یک مطالعه کاربر را برای تأیید اثربخشی کاربردی انجام دادیم که در آن 266 دانشجوی فارغ التحصیل تصاویر هوایی با وضوح بالا از طوفان متیو در کارولینای شمالی حاشیه نویسی کردند.نتایج تجربی نشان می دهد که دقت و مزایای کارآیی برنامه ما حتی برای کاربران آموزش دیده اعمال نمی شود.علاوه بر این ، با استفاده از چارچوب جمع آوری و تصحیح ما ، مدل های تشخیص سیل که بر روی حاشیه نویسی های شلوغ آموزش دیده اند ، قادر به دستیابی به عملکرد برابر با مدلهایی بودند که در حاشیه نویسی های دارای برچسب متخصص آموزش داده شده اند ، در حالی که به بخشی از زمان از طرف محقق نیاز دارند.